---
title: PR Кривая
seo:
  title: PR Кривая — Data Scientist
  description: Тема «PR Кривая» для собеседования Data Scientist. Расскажите про PR-кривую и как она строится.
---

[Все темы Data Scientist](/data-scientist)

## <strong>Расскажите про PR-кривую и как она строится.</strong> [#q-14bee738d69b819eb83fd5865550e3ab]

PR-кривая <code>&#40;Precision&#45;Recall curve&#41;</code> является инструментом для оценки производительности модели в задачах классификации, особенно в случаях, когда классы в данных несбалансированы. Она показывает отношение между точностью <code>&#40;precision&#41;</code> и полнотой <code>&#40;recall&#41;</code> модели при различных пороговых значениях для принятия решения.

1. <strong>Точность (Precision)</strong>&#58; Это доля истинно положительных
   результатов среди всех положительных результатов, предсказанных моделью.
   Формула&#58; <InlineMath tex={"\\frac {TP} {(TP + FP)}"} />, где TP -
   количество истинно положительных предсказаний, а FP - количество ложно
   положительных предсказаний.

1. <strong>Полнота (Recall)</strong>&#58; Это доля истинно положительных
   результатов среди всех реальных положительных результатов в данных.
   Формула&#58; <InlineMath tex={"\\frac {TP} {(TP + FN)}"} />, где TP -
   количество истинно положительных предсказаний, а FN - количество ложно
   отрицательных предсказаний.

PR-кривая строится путем изменения порогового значения для классификации и подсчета точности и полноты при каждом значении порога. Затем эти точки объединяются в кривую, где по оси X отображается полнота, а по оси Y - точность.

Чем ближе PR-кривая к верхнему правому углу графика (то есть к точке (1, 1)), тем лучше производительность модели. Однако не всегда возможно добиться высоких значений и точности, и полноты одновременно, поэтому необходимо находить баланс между этими метриками в зависимости от конкретной задачи.

:::note[Ссылки для изучения]

1. [Оценка качества в задачах классификации](http://neerc.ifmo.ru/wiki/index.php?title=%D0%9E%D1%86%D0%B5%D0%BD%D0%BA%D0%B0_%D0%BA%D0%B0%D1%87%D0%B5%D1%81%D1%82%D0%B2%D0%B0_%D0%B2_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B0%D1%85_%D0%BA%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D0%B8&mobileaction=toggle_view_desktop)
   :::