Ja mislim da sam kolko tolko shvatio pa cu probat pojasnit.
Kad racunas PR krivulju u principu smanjujes prag klasifikatora. Ti tu nemas nikakav klasifikator vec samo predikcije pa ih onda sortiras na nacin da rastu prema udaljenosti. Onda ces kod racunanja preciznosti i odziva uzimati prvih nekoliko vrijednosti za pozitive ostale za negative i postepeno smanjivati koliko ih uzimas za pozitive.
i sad racunas preciznost i odziv kao sto imas u tablici npr.
[x_5, x_3, x_4, x_2] su pozitivne predikcije, a njihove oznake su [1, 0, 1, 0]
Predikcije za x_2, x_3 ce biti FP (predvidas 1, oznaka je 0)
Predikcije za x_5, x_4 su TP (predvidas 1, oznaka je 1)
FN ce biti 0 (primjera nema u pozitivnim predikcijama tj. predvidas 0, a oznaka mu je 1)
TP = 2, FP = 2, FN = 0
P = \frac{TP}{TP+FP} = \frac{2}{2+2} = 0.5
R = \frac{TP}{TP+FN} = \frac{2}{2+0} = 1
Kada to napravis za sve imas identicnu tablicu kao i oni, ali jos se dogovorno dodaje tocka R=0, P=1.
Zatim nacrtas krivulju gdje R predstavlja x os, a P y os i racunas povrsinu ispod nje. Jedino sto kad skiciras ovo ce ti falit tocka (0.5, 0.66) pa ako netko kuzi zasto se to dodaje molio bih da pojasni.
