我正在处理一个二分类问题，并使用了一个如下所示的SGD分类器：
sgd = SGDClassifier( max_iter = 1000, tol = 1e-3, validation_fraction = 0.2, class_weight = {0:0.5, 1:8.99})我对训练集进行了拟合，并绘制了精确度-召回率曲线：
from sklearn.metrics import plot_precision_recall_curvedisp = plot_precision_recall_curve(sgd, X_test, y_test)
考虑到scikit-learn中的SGD分类器默认使用loss="hinge"，如何能够绘制出这样的曲线？我理解SGD的输出不是概率性的——它要么是1/0。因此没有“阈值”，然而sklearn的精确度-召回率曲线却绘制了一条带有不同阈值的锯齿状图形。这到底是怎么回事？
回答：
你描述的情况与文档示例中发现的情况几乎相同，该示例使用了iris数据的前两个类别和一个LinearSVC分类器（该算法使用平方铰链损失，与你这里使用的铰链损失一样，结果是分类器仅产生二元结果而非概率性的）。那里的结果图是：
即与你这里的图质上相似。
尽管如此，你的问题确实是一个合理的问题，并且确实是一个很好的发现；为什么我们会得到与概率性分类器相似的行为，而我们的分类器实际上并不产生概率性预测（因此任何关于阈值的概念似乎都是不相关的）？
为了理解为什么会这样，我们需要深入研究scikit-learn的源代码，从这里使用的plot_precision_recall_curve函数开始，并沿着线索深入到兔子洞…
从plot_precision_recall_curve的源代码开始，我们发现：
y_pred, pos_label = _get_response( X, estimator, response_method, pos_label=pos_label)因此，为了绘制PR曲线，预测值y_pred并不是直接由我们分类器的predict方法产生的，而是由scikit-learn的内部函数_get_response()产生的。
_get_response()反过来包括以下几行：
prediction_method = _check_classifier_response_method( estimator, response_method)y_pred = prediction_method(X)这最终引导我们进入_check_classifier_response_method()内部函数；你可以查看它的完整源代码 – 这里感兴趣的是else语句后的以下3行：
predict_proba = getattr(estimator, 'predict_proba', None)decision_function = getattr(estimator, 'decision_function', None)prediction_method = predict_proba or decision_function到现在，你可能已经开始明白重点：在幕后，plot_precision_recall_curve检查分类器是否有predict_proba()或decision_function()方法可用；如果predict_proba()不可用，就像你这里的SGDClassifier使用铰链损失的情况（或文档示例中使用平方铰链损失的LinearSVC分类器），它会改用decision_function()方法来计算y_pred，随后用于绘制PR（和ROC）曲线。
以上已经回答了你关于scikit-learn在这种情况下如何生成图形和进行底层计算的编程问题；关于是否以及为什么使用非概率性分类器的decision_function()来获取PR（或ROC）曲线是否正确和合法的方法的进一步理论探讨超出了SO的范围，如果有必要，应向Cross Validated提出。
