Die Precision-Recall-Kurve (PR-Kurve) visualisiert die Güte eines Klassifikationsmodells, indem sie Precision gegen Recall für alle Schwellwerte aufträgt. Sie ist die wichtigste Alternative zur ROC-Kurve, besonders wenn eine Klasse deutlich seltener vorkommt als die andere.
Precision und Recall im Zusammenspiel
Precision beantwortet die Frage „Wie viele der als positiv gemeldeten Fälle sind wirklich positiv?“, Recall die Frage „Wie viele der tatsächlich positiven Fälle habe ich gefunden?“. Beide Größen stehen im Trade-off: Senkt man den Schwellwert, steigt der Recall, während die Precision meist sinkt — und umgekehrt. Die PR-Kurve macht diesen Zusammenhang über den gesamten Schwellwertbereich sichtbar.
Warum die PR-Kurve bei unbalancierten Daten besser ist
Bei Datensätzen mit sehr wenigen positiven Beispielen (z. B. Betrugserkennung, seltene Krankheiten) bleibt die False-Positive-Rate der ROC-Kurve wegen der vielen negativen Beispiele klein — die AUC-ROC wirkt dadurch optimistischer, als das Modell wirklich ist. Die PR-Kurve ignoriert die True Negatives und zeigt direkt, wie präzise das Modell bei der seltenen Klasse arbeitet. Als Baselines dient der Anteil der positiven Klasse: Ein Zufallsmodell landet bei Precision = Klassenanteil.
Anwendung in der Praxis
Mit der PR-Kurve lässt sich der optimale Schwellwert wählen — etwa der Punkt mit maximalem F1-Score oder der Punkt, der je nach Anwendungsfall mehr Wert auf Precision (wenige Fehlalarme) oder Recall (keine positiven Fälle übersehen) legt. Die Fläche unter der PR-Kurve heißt Average Precision (AP) und fasst die Kurve in einer Kennzahl zusammen. Typischerweise wird sie über die Folds der Cross-Validation gemittelt.
Verwandte Grundlagen: Precision, Recall, F1-Score, Klassifikation.