为什么非平衡的数据更适合用精度-召回曲线，而不是roc auc？

先说结论：我觉得楼主问题中有个误解。用precision-recall的主要理由不是因为正负样本个数悬殊，而是因为应用更关心正样本的分类结果。

非平衡的数据一般来至于正样本明显小于负样本，且更关心正样本分类结果的应用。比如信用卡诈骗中，诈骗的交易数远小于正常交易数，并且主要关心是否能找出欺诈交易及其效率。

ROC里看TPR和FPR，精度-召回曲线看Precision 和recall，其中TPR=recall。那我们主要是比较FPR 和Precision。

TPR (True Positive Rate) =Recall = TP / (TP+FN)  

FPR (False Positive Rate) = FP / (FP+TN) 

Precision = TP/(TP+FP) 

以上三个指标（metric）都是$x/(x+y)$的形式，对分子$x$更敏感。也就是说TPR（Recall）只和正样本相关，FPR是只和负样本相关，Precision是偏向正样本的指标。所以precision-recall更适合于关心正样本的应用。ROC适合对正负分类结果都关心的应用。

假如有个应用是正样本个数远远小于负样本个数，且对正负样本的结果都关心。TP<<FP，所以precision接近于0，很难用precision去评价分类器好坏；而FP和TN可比，0<FPR<1。反而此时应该用ROC而不用precision-recall。

参考这里。

题主有兴趣可以看看这篇被引用了两千多次的论文：The Relationship Between Precision-Recall and ROC Curves.

论文里的一个关键句子是“when dealing with highly skewed datasets, Precision-Recall (PR) curves give a more informative picture of an algorithm’s performance.”