统计学习：模型评估与选择--绘制性能度量P-R曲线（python代码）

将查准率与查全率作为坐标系构建坐标空间，就可以得到所谓的ROC空间。
P-R曲线的定义为：根据学习器的预测结果（一般为一个实值或概率）对测试样本进行排序，将最可能是“正例”的样本排在前面，最不可能是“正例”的样本排在后面，按此顺序逐个把样本作为正例进行预测，每次计算出当前的P值和R值。
P-R曲线的评估方法：若一个学习器A的P-R曲线被另一个学习器B的P-R曲线完全包住，则称B的性能优于A。若A和B的曲线发生了交叉，则谁的曲线下面积大，谁的性能更优。但一般来说曲线下的面积是很难估算的，因此使用BEP（平衡点，Break-Event Point),即当P =R时，平衡点越高，性能越优。
知识点：
对于多分类的问题，使用one-hot编码方式更加好
训练模型可以有多个尝试，然后选择其中性能最好的一个
代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, label_binarize
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import  precision_recall_curve, average_precision_score
from sklearn.linear_model import LogisticRegression
from sklearn.multiclass import OneVsRestClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.svm import SVC


def data_preprocessing():
    # 导入手写数据集
    mnist = datasets.load_digits()
    # 拆分数据与标签
    X, y = mnist.data, mnist.target
    # print(X.shape)
    random_state = np.random.RandomState(0)
    n_samples, n_features = X.shape
    X = np.c_[X, random_state.randn(n_samples, 10*n_features)]
    # print(X.shape)
    # 数据标准化
    X = StandardScaler().fit_transform(