نمودار Precision-Recall

🔹 نمودار Precision-Recall

مقدمه

Precision-Recall (PR) Curve یک ابزار مهم در ارزیابی مدل‌های دسته‌بندی باینری است، به ویژه وقتی که داده‌ها نامتوازن (Imbalanced) هستند.

• Precision (دقت): نسبت پیش‌بینی‌های صحیح مثبت به کل پیش‌بینی‌های مثبت
  
• Recall (بازیابی یا حساسیت): نسبت پیش‌بینی‌های صحیح مثبت به کل نمونه‌های واقعی مثبت
  

نمودار PR، Precision را روی محور عمودی و Recall را روی محور افقی نشان می‌دهد.

🔹 تفسیر نمودار

• نقطه بالا سمت راست: بهترین عملکرد (Precision و Recall هر دو بالا)
• منحنی نزدیک به محور افقی: عملکرد ضعیف مدل
• مساحت زیر منحنی (AUC-PR): معیار عملکرد مدل؛ مقدار بزرگتر نشان‌دهنده مدل بهتر است.

🔹 نمونه نمودار (توضیح متنی)

• خطوط نشان‌دهنده دقت در هر مقدار Recall هستند.
• نوسانات شدید معمولاً در داده‌های کم و نامتوازن رخ می‌دهند.

🔹 نکات مهم

1. PR Curve برای داده‌های نامتوازن بهتر از ROC Curve است.
2. مدل با Precision و Recall بالا عملکرد قابل اعتماد دارد.
3. معمولاً F1-Score نیز برای نقطه بهینه منحنی استفاده می‌شود: