计算三维模型检索结果的PR曲线（precision recall curve）

资 源 简 介

计算三维模型检索结果的PR曲线（precision recall curve）

详 情 说 明

在三维模型检索任务中，PR曲线（Precision-Recall Curve）是一种常用的评估指标，用于衡量检索系统的性能。PR曲线能够直观地展示在不同召回率（Recall）水平下，检索结果的精度（Precision）变化情况，帮助分析模型在不同阈值下的表现。

### PR曲线的计算步骤 排序检索结果：首先，检索系统会根据相似度对候选三维模型进行排序，通常按照相似度从高到低排列。 设定阈值：逐步调整相似度阈值，计算在不同阈值下的精度（Precision）和召回率（Recall）。 精度（Precision）：计算前N个检索结果中正确匹配的比例，即 `相关结果数 / N`。 召回率（Recall）：计算前N个检索结果占所有真实相关结果的比例，即 `相关结果数 / 总相关结果数`。 绘制曲线：以召回率为横轴，精度为纵轴，绘制不同阈值下的精度-召回率点，最终连接成曲线。

### 解读PR曲线 高精度低召回：曲线左侧部分，表明系统在较严格阈值下能返回少量但高精度的结果。 低精度高召回：曲线右侧部分，表明系统放宽阈值后，召回率提升但精度下降。 曲线下面积（AUC）：PR曲线的AUC值可用于量化系统整体性能，AUC越高，检索效果越好。

PR曲线特别适用于数据分布不均衡的情况（如相关样本远少于不相关样本），相比ROC曲线能更直观地反映检索效果。