什么是PR曲线？
PR曲线是由模型的查准率和查全率为坐标轴形成的曲线，查准率P为纵坐标 查全率R为横坐标
把正例正确分类为正例，表示为TP（true positive），把正例错误分类为负例，表示为FN（false negative），
把负例正确分类为负例，表示为TN（true negative）， 把负例错误分类为正例，表示为FP（false positive）
P 查准率：在二分类问题中所有预测为正向的样本中真正为正向样本的比例 P=TP/(TP+FP)
R 查全率：在二分类问题中所有正向样本中被正确预测的样本的比例 R=TP/(TP+FN)
举一个例子：
一个样本中有100个样本，其中正例为西瓜，负例为其他水果，西瓜有80个，其他水果有20只，一共有50个西瓜被正确检测出来，一共有15只其他动物被正确检测出来，那么依此题意：
| TP | 50 |
| TN | 15 |
| FP | 5 |
| FN | 30 |
那么， P=TP/(TP+FP)=10/11 R=TP/(TP+FN)=5/8 意味着在识别出的结果中，西瓜的图片占10/11，在所有的西瓜图片中，5/8的西瓜被正确的识别成西瓜.
可以通过调整阈值，来选择让系统识别出多少图片，进而改变Precision 或 Recall 的值，概率高于阈值则为正例，低于阈值则为负例。
改变阈值比如设置阈值分别为0，0.1，0.3，0.5，0.7，0.9就可以得到10组P和R的值，就可以由此绘画P-R曲线
| 样本 | 认为正例的概率 |
| 样本1 | 15% |
| 样本2 | 35% |
| 样本3 | 60% |
| 样本4 | 80% |
| 样本5 | 95% |
当阈值为0.1时，则全为正例
当阈值为0.3时，则样本1为负例，其余为正例
当阈值为0.5时，则样本1，样本2为负例，其余为正例
当阈值为0.7时，则样本4，5为正例，其余为负例
当阈值为0.9时，则样本5为正例，其余为负例
在阈值调整的过程中，TP TN FP FN都有唯一确定的值，则阈值从0-1的P-R曲线就可以绘制了
例：
