如何在MATLAB中绘制CNN的精确率-召回率曲线？

我来帮你梳理下这里可能踩的坑，以及正确的做法：

核心问题：你只计算了单个阈值下的指标，而PR曲线需要多阈值数据 #

精确率-召回率（PR）曲线的本质是展示不同分类阈值下，模型精确率和召回率的变化关系。你现在的代码只算了一组TP/TN/FP/FN，对应的是某一个固定阈值（比如默认的0.5）下的结果，自然没法画出完整的PR曲线，而且如果这个阈值下的计算本身有问题，结果就会不符合预期。

先排查你的TP/TN计算逻辑错误 #

从你的代码来看，大概率是把CNN的输出分数（连续概率值）当成了二分类标签来计算了：

idx = (ACTUAL()==1); 
tp = sum(ACTUAL(idx)==PREDICTED(idx));

如果PREDICTED是CNN输出的原始分数（比如sigmoid输出的0~1概率），那ACTUAL(idx)都是1，而PREDICTED(idx)是连续的概率值，几乎不可能等于1，这会导致tp的计算结果严重偏小，进而让精确率计算完全错误。

正确的PR曲线绘制步骤（以Matlab为例） #

假设你的ACTUAL是0/1真实标签，SCORES是CNN输出的正类概率分数（二分类下用sigmoid，多分类下取正类的softmax概率），按照以下步骤来：

1. 生成一系列不同的分类阈值
2. 对每个阈值，计算对应的精确率和召回率
3. 绘制所有(召回率, 精确率)的点，连成曲线

示例代码：

% 假设你已经有了真实标签和CNN输出的正类分数
ACTUAL = [1,0,1,1,0,...]; % 你的真实标签向量
SCORES = [0.8,0.3,0.9,0.6,0.2,...]; % CNN输出的正类概率，和ACTUAL长度一致

% 生成0到1之间的101个阈值（步长0.01）
thresholds = linspace(0, 1, 101);

% 初始化存储精确率和召回率的数组
precisions = zeros(size(thresholds));
recalls = zeros(size(thresholds));

total_pos = sum(ACTUAL == 1); % 正样本总数，避免重复计算

for i = 1:length(thresholds)
    thresh = thresholds(i);
    % 根据当前阈值得到二分类预测标签
    pred_labels = SCORES > thresh;
    
    % 计算TP/FP/FN
    tp = sum(ACTUAL & pred_labels);
    fp = sum(~ACTUAL & pred_labels);
    fn = sum(ACTUAL & ~pred_labels);
    
    % 计算精确率和召回率，处理除以0的情况（防止报错）
    precisions(i) = tp / max(tp + fp, 1); % 分母为0时设为1（或根据需求调整）
    recalls(i) = tp / max(total_pos, 1);
end

% 绘制PR曲线
figure;
plot(recalls, precisions, 'b-', 'LineWidth', 1.5);
xlabel('Recall');
ylabel('Precision');
title('Precision-Recall Curve');
grid on;

% 可选：计算平均精度AP（PR曲线下的面积，衡量模型整体性能）
ap = trapz(recalls, precisions);
disp(['Average Precision (AP): ', num2str(ap)]);

额外注意事项 #

• 确保SCORES是正类的概率值，而不是经过阈值判断后的0/1标签
• 处理除以0的情况：当没有预测为正的样本时（tp+fp=0），精确率通常设为1；当没有正样本时，召回率设为0（根据实际场景调整）
• PR曲线的x轴是召回率（Recall=tp/(tp+fn)），y轴是精确率（Precision=tp/(tp+fp)），不要搞反轴

内容的提问来源于stack exchange，提问作者user123456789