import precision_recall_curve()

`precision_recall_curve()` 是 Python 中 scikit-learn 库的一个函数，用于计算精确度-召回率曲线。该曲线是二分类问题中评估模型性能的常用工具，特别是在不平衡数据集中。它可以帮助我们了解分类器在不同阈值设置下的表现。

使用 `precision_recall_curve()` 函数时，你需要提供真实的标签（ground truth labels）和模型预测的概率（不是预测的类别）。函数会返回三个数组：精确度（precision）、召回率（recall）和阈值（thresholds）。通过这些值，你可以绘制出精确度-召回率曲线，进而评估模型在不同决策阈值下的表现。

以下是使用 `precision_recall_curve()` 函数的一个简单示例：

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
y_true = [0, 1, 1, 0, 1]
y_scores = [0.1, 0.4, 0.35, 0.8, 0.7]

precision, recall, thresholds = precision_recall_curve(y_true, y_scores)

plt.plot(thresholds, precision[:-1], 'b--', label='precision')
plt.plot(thresholds, recall[:-1], 'g--', label='recall')
plt.xlabel('Threshold')
plt.legend()
plt.show()

在这个例子中，`precision` 和 `recall` 数组的长度会比 `thresholds` 长一个，因为在最后一个阈值时，精确度和召回率会分别变为样本中正类的比例和 1.0。因此，我们在绘图时使用 `[:-1]` 来确保所有的数据点都对应相同的阈值。