我有一个测试数据集，其中 1/3 的观察结果是 1 类对象，其余是 0 类对象。因此，数据集是偏斜的（偏斜分类器），文献表明如果数据集偏斜，则使用精确召回曲线（AUC）而不是 ROC-AUC。

例如，运行以下代码会导致 AUC_Pr_rand = 0.3267 和 AUC_Pr_Ones = 0.3346。其中第一个是随机分类器，第二个是仅输出的非学习算法。

n=10000;
Y = rand(n,1) > 2/3;
Yi = rand(n,1);
[~,~,~,AUC_Pr_rand] = perfcurve(Y,Yi,true, 'xCrit', 'reca', 'yCrit', 'prec');
[~,~,~,AUC_Pr_Ones] = perfcurve(Y,1+rand(size(Yi))*0.00001,true, 'xCrit', 'reca',    'yCrit', 'prec');

仅输出 0 类的非学习算法，对于上述测试集（1/3 是第一类），准确度约为 66%，但上述随机分类器的准确度约为 50%（我不确定是否这意味着什么，但我测试了一个逻辑回归模型，它给出的准确度约为 65%，所以我不认为准确度是用于性能测试的指标）。

因此，现在对于在这个倾斜数据集上测试的任何其他给定分类器（例如逻辑回归或 CART），目标是击败这个随机分类器，即获得高于 0.3246 或 0.5 的 PR-AUC（因为这是随机分类器应该输出为平衡数据集的 PR-AUC）？