当我通读有关选择哪种度量标准的文章时，我发现当数据集不平衡时，PR曲线优于ROC曲线。
例如。给定一个具有类A：50实例，B：200实例和C：50实例的不平衡的多类分类数据集，显然，类B的实例是类A和C的实例的4倍。因此，该模型将倾向于预测B级。因此，A级和C级将具有更高的TN：
但是，精度和召回率都不在乎真实的负数，因此使用PR曲线是一个不错的选择。
模型预测将导致A类和C类的假阳性率很低（这是我们想要的），但真假率也很低（我们不希望看到的），因此只要我们发现数据集不平衡，我们不应该使用ROC曲线。而且由于我们不对不平衡数据集使用ROC曲线，所以拥有微观平均的ROC曲线（用于多类分类）的目的是什么？注意，微观平均ROC是真实阳性率的总和除以错误阳性率的总和。换句话说，每个班级都有权重。