参考：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_curve.html

在分类模型的性能评估指标总结章节中，提到的Precision-Recall 曲线可通过sklearn库中的precision_recall_curve函数计算而得。

语法格式

sklearn.metrics.precision_recall_curve(y_true, probas_pred, *, pos_label=None, sample_weight=None)

参数解释：

y_true: 真实的二分类标签。如果标签不是{-1,1}或{0,1}，则应显式给出pos_label。
probas_pred: 预测评分，可以是正类的概率估计，也可以是decision_function返回的非阈值度量。
pos_label: 正类的标签。当pos_label=None时，如果y_true在{-1,1}或{0,1}中，则将pos_label设置为1，否则将引发错误。
sample_weight: 样本权重。默认为 None，表示所有样本的权重相同。

返回值包括三个：

precision: 查准率。第i个元素表示表示分数 >=thresholds[i]的查准率预测，最后一个元素为1。
recall: 查全率。第i个元素表示表示分数 >=thresholds[i]的查全率预测，最后一个元素为0。
thesholds: 在决策函数中不断增加的阈值，用于计算查准率和查全率。n_thresholds = len(np.unique(probas_pred))

代码示例

import numpy as np
from sklearn.metrics import precision_recall_curve

y_true = np.array([1,1,0, 0,1])
y_score = np.array([0.1, 0.3, 0.35, 0.6, 0.8])
precision, recall, thresholds = precision_recall_curve(y_true,y_score)
print(precision)    # [0.6        0.5        0.33333333 0.5        1.         1.        ]
print(recall)       # [1.         0.66666667 0.33333333 0.33333333 0.33333333 0.        ]
print(thresholds)   # [0.1  0.3  0.35 0.6  0.8 ]