三、应用场景不同 PR_AUC适用于在关注正类样本较多的情况下,例如搜索引擎的结果排序等场景,更关注模型在预测为正类的样本中的准确率。 ROC_AUC适用于不论样本分布如何,都希望分类器在正负样本上具有较好性能的场景,如医学诊断中希望降低误诊率的情况。 四、敏感性和稳健性 PR_AUC在面对数据不平衡时能够更敏感地检测到分类器
ROC-AUC衡量的是模型排序的能力；当样本不平衡的时候，更适用ROC-AUC，因为其对于正负样本的比例不敏感...
ROC-AUC衡量的是模型排序的能力；当样本不平衡的时候，更适用ROC-AUC，因为其对于正负样本的比例不敏感...