变换二分类阈值分别画出两个模型对率回归的解析解和梯度下降解在两个数据集情感分类数据集和病马数据集上的P-R曲线并据此比较两个模型的优劣包括平衡点比较和AUC比较。

由于题目中没有给出具体的数据集，因此在此只提供一般的思路和方法。

首先，需要了解什么是P-R曲线和AUC。

P-R曲线是一种用于二分类问题的性能度量方法，横轴是召回率（Recall），纵轴是精确率（Precision）。其中，召回率表示所有正样本中被正确预测为正样本的比例，精确率表示被预测为正样本中实际为正样本的比例。P-R曲线的平衡点是指召回率和精确率相等时的点。当平衡点往左上方移动时，模型的性能越好。

AUC是ROC曲线下的面积，ROC曲线是另一种二分类问题的性能度量方法。ROC曲线的横轴是FPR（False Positive Rate），纵轴是TPR（True Positive Rate）。其中，FPR表示所有负样本中被错误预测为正样本的比例，TPR表示所有正样本中被正确预测为正样本的比例。AUC的取值范围在0.5到1之间，越接近1说明模型的性能越好。

接下来，需要按照以下步骤进行操作：

1.读取数据集，准备训练和测试数据。

2.使用对率回归的解析解和梯度下降解分别训练模型，并通过变换阈值得到不同的P-R曲线。

3.计算P-R曲线上的平衡点和AUC值，比较两个模型的优劣。

4.结合实际情况选择更适合的模型。

需要注意的是，不同的数据集和不同的阈值可能会对模型的性能产生影响，因此需要进行多次实验并对结果进行平均或取最优值。