召回率

定义与核心概念

召回率（Recall），也称为查全率或真正例率（TPR），是评估分类模型、信息检索系统或推荐系统性能的核心指标之一[ref_1][ref_3]。其核心逻辑在于衡量系统“不漏掉目标”的能力，即能否尽可能找出所有符合目标的样本，在需要全面覆盖正例的场景中尤为重要[ref_2]。

1. 数学定义与计算公式

召回率是指在所有实际为正类的样本中，被模型正确预测为正类的样本所占的比例。其数学表达式为：

Recall (召回率) = TP / (TP + FN)

其中：

• TP (True Positive): 真正例，指被正确分类为正例的实际正例。
• FN (False Negative): 假负例，指被错误地分类为负例的实际正例（即漏报）[ref_8]。
• 分母 (TP + FN) 代表了数据集中所有实际的正例总数。

这个公式表明，召回率关注的是原始样本中的正例有多少被成功“召回”或识别出来[ref_4][ref_9]。

2. 应用场景与重要性

召回率在多种领域都有广泛应用，尤其在那些漏检成本极高的场景中至关重要：

• 医疗诊断：用于衡量模型发现所有患病患者的能力，避免漏诊[ref_5]。
• 异常检测/欺诈识别：目标是尽可能多地找出所有异常或欺诈行为，防止风险事件发生[ref_5]。
• 信息检索与推荐系统：衡量系统从整个数据库中找出所有相关文档或用户可能感兴趣内容的能力，确保结果的全面性[ref_2][ref_3][ref_7]。

3. 与其他指标的关系

• 与精确率（Precision）的区别：召回率是“针对原样本而言”，关注的是实际正例中有多少被找了出来；而精确率是“针对预测结果而言”，关注的是预测出的正例中有多少是真正的正例[ref_4][ref_7]。两者常常存在权衡（trade-off）关系。
• 综合评价指标：为了平衡精确率和召回率，常使用F1分数（F-Measure）作为综合评价指标[ref_7][ref_8]。

网络搜索的参考资料：

[ref_1] 分类:准确率、召回率、精确率和相关指标 | Machine Learning | Google for Developers: https://developers.google.cn/machine-learning/crash-course/classification/accuracy-precision-recall?hl=nl

[ref_2] 关键词解释:召回率(Recall)_召回 recall-CSDN博客: https://blog.csdn.net/sweet_ran/article/details/154189461

[ref_3] 召回率: https://baike.sogou.com/m/fullLemma?lid=53887126&g_ut=3

[ref_4] 谈谈召回率(R值),准确率(P值)及F值: https://zhuanlan.zhihu.com/p/26387920

[ref_5] recall rate-百度知了爱学: http://localsite.baidu.com/site/wjzsorv8/8cd47d9a-7797-42f3-9306-b902ded71161?qaId=4254410&categoryLv1=教育培训&efs=1&ch=54&srcid=10014&source=natural&category=其他&eduFrom=136&botSourceType=46

[ref_6] 3.召回率-机器学习模型性能的常用的评估指标: https://blog.csdn.net/qq_37977007/article/details/135736043

[ref_7] 详解准确率、精确率、召回率、F1值等评价指标的含义: https://www.cloud.tencent.com/developer/article/1486764

[ref_8] 机器学习:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线: https://cloud.tencent.com/developer/article/2084688

[ref_9] 深入理解深度学习模型召回率:优化策略与实践: https://developer.baidu.com/article/details/3332874

[ref_10] 深度学习中的模型评估:深入理解准确率与召回率: https://developer.baidu.com/article/details/3332868