PR Curve + Average Precision [medium]

v1 정밀도/재현율 은 하나의 고정된 threshold 에 대한 값. 실전에서는 모델이 연속 점수(score) 를 내고, threshold 를 바꾸면 P/R 이 달라짐 → PR curve.

Threshold 스윕

1. 각 threshold = y_score[i] 에 대해 y_pred = (y_score >= threshold).
2. 그 threshold 에서의 precision, recall 계산.
3. threshold 를 점수 내림차순으로 정렬해 곡선 생성.

Average Precision (AP)

PR 곡선 아래 면적의 계단 (step) 근사:

$\text{AP} = \sum_i (R_i - R_{i-1}) \cdot P_i$

(sklearn 의 average_precision_score 정의 — 사다리꼴이 아닌 직사각형 합.)

$R_0 = 0$ 에서 시작하고, threshold 가 커질수록 precision 높고 recall 낮음 → 곡선은 왼쪽 상단 (0, 1) 에서 오른쪽 하단으로.

완벽 ranker: 양성 점수가 모두 음성보다 크면 AP = 1.0. 랜덤 ranker: AP ≈ 양성 비율 (prevalence).

과제

함수 pr_curve_ap(y_score, y_true) 를 완성하세요.

• y_score: 양성 확률 또는 점수, shape (N,).
• y_true: 0/1 정수 레이블, shape (N,).
• 반환: (precision, recall, thresholds, ap)
  • precision, recall: shape (K+1,) 배열 — 내림차순 threshold 각 지점 + 마지막에 P=1, R=0 (convention).
  • thresholds: shape (K,) — 내림차순 점수.
  • ap: Python float — $\sum_i (R_i - R_{i-1}) \cdot P_i$.
• 힌트: np.argsort(-y_score) 로 내림차순 인덱스 → cumulative TP/FP 로 한 번에 계산.

테스트 케이스

#	이름	검증
1	반환 4-tuple
2	precision, recall shape 일치
3	완벽 ranker → AP = 1.0
4	recall monotonically increasing
5	recall 마지막 = 0, precision 마지막 = 1 (convention)
6	랜덤 ranker → AP ≈ 양성 비율
7	sklearn average_precision_score 와 일치