什么时候更看重召回？

漏检代价高时(癌症筛查、欺诈拦截)，宁肯多报假阳性也要少漏，优先高召回；再用人工或二次模型过滤假阳性。

PR 曲线和 ROC 曲线怎么选？

类别不平衡时 PR 曲线更敏感、更贴切；ROC 在平衡数据下更稳。AUC-PR 对正类稀少场景更能反映性能。

🧮 Precision, Recall and F1 Calculator

Compute precision, recall and F1 from true positives, false positives and false negatives. Useful for threshold selection on imbalanced data.

📐 计算公式 / 原理

精确率 P = TP/(TP+FP)；召回率 R = TP/(TP+FN)；F1 = 2PR/(P+R)

P 与 R 天然此消彼长：放宽阈值召回升高但误报增多。F1 用调和平均综合两者，对较小的一方更敏感（接近 0 时 F1 也接近 0），适合作为单一权衡指标；若业务更看重漏检（如疾病筛查）应改用 F2 加权召回。

阈值权衡

某模型 TP=80,FP=20,FN=10。阈值低时 FP 多 P=80/100=80%、R=80/90=89%；抬高阈值 FP 降为 5 但 FN 升为 30 → P=80/85=94%、R=80/110=73%。

Item	Formula / Note	Source / Standard
Precision	precision is true positives over true plus false positives	ISO/IEC 22989:2022 AI concepts
Recall	recall is true positives over true positives plus false negatives	ISO/IEC 22989:2022 AI concepts
F1 score	F1 is the harmonic mean of precision and recall with equal weighting	van Rijsbergen 1979, Information Retrieval