在對分類模型的評價標準中，除了常用的錯誤率，精確率，召回率和F1度量外，還有兩類曲線：ROC曲線和PR曲線，它們都是基於混淆矩陣，在不同分類閾值下兩個重要量的關係曲線。

在二分類問題中，分類器將一個例項分類為正樣本和負樣本，全部分類樣本可以用一個混淆矩陣來表示。混淆矩陣有四個分類，如下表:

對於PR曲線，它是精確率（precision，簡稱P）和召回率（Recall，簡稱R）的關係曲線，計算式如下：

P=TPTP+FP,R=TPTP+FN$P=\frac{TP}{TP+FP},R=\frac{TP}{TP+FN}$ (1)

對於ROC曲線，它是“真正例率”(True Positive Rate, 簡稱TPR)，橫軸是“假正例率”(False Positive Rate,簡稱FPR)的關係曲線，計算式如下：

TPR=TPTP+FN,FPR=FPFP+TN$TPR=\frac{TP}{TP+FN},FPR=\frac{FP}{FP+TN}$ (2)

真正例率是在所有正例中，你將多少預測為了正例，這是你希望最大化的，也可以看作收益；假正例率是在所有負例中，你又將多少預測為了正例，這是你希望最小化的，也可以看作代價。

從公式(2)和表中可以看出，TPR考慮的是第一行，實際都是正例，FPR考慮的是第二行，實際都是負例。因此，在正負樣本數量不均衡的時候，比如負樣本的數量增加到原來的10倍，那TPR不受影響，FPR的各項也是成比例的增加，並不會有太大的變化。因此，在樣本不均衡的情況下，同樣ROC曲線仍然能較好地評價分類器的效能，這是ROC的一個優良特性，也是為什麼一般ROC曲線使用更多的原因。

而看公式(1)和表，精確率P考慮的是第一列，實際中包括正例和負例，因此，正負樣本數量的變化會引起該值的變化，進而影響PR曲線對分類器的評價。

下圖是ROC曲線和PR曲線的對比：

a,c為ROC曲線，b,d為PR曲線。(a)和(b)展示的是分類其在原始測試集(正負樣本分佈平衡)的結果，(c)(d)是將測試集中負樣本的數量增加到原來的10倍後，分類器的結果，可以明顯的看出，ROC曲線基本保持原貌，而PR曲線變化較大。