调用库函数precision_recall_curve绘制PR图

在Python中，`precision_recall_curve` 是一个在机器学习库scikit-learn中用于计算精确度-召回率曲线的函数。这种曲线常用于不平衡数据集中的二分类问题评估，它能够展示不同阈值下的模型性能。精确度-召回率曲线对模型在不同决策阈值下的表现进行了可视化，其中精确度表示正确预测为正类的比例，而召回率（又称为真正类率）表示实际正类中被正确识别的比例。

使用`precision_recall_curve`函数的基本步骤如下：

1. 首先，你需要训练一个二分类模型，并获得概率分数（不是二进制的0或1）。
2. 然后，你需要确定真实的标签。
3. 使用`precision_recall_curve`函数，传入真实的标签和模型预测的概率分数，它会返回一系列精确度和召回率值。
4. 最后，使用绘图库（如matplotlib）将这些值绘制为图表。

下面是一个简单的代码示例：

from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt

# 假设y_true是真实的标签，y_scores是模型预测的概率分数
y_true = [0, 1, 1, 0, 1]
y_scores = [0.1, 0.4, 0.35, 0.8, 0.7]

# 计算精确度和召回率
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)

# 绘制PR曲线
plt.plot(recall, precision, label='Precision-Recall Curve')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall curve')
plt.legend()
plt.show()