什么是召回率（Recall）

召回率（Recall）是衡量模型在分类任务中识别正类样本能力的重要指标，尤其关注模型是否能够“找全”所有正类样本。以下是关于召回率的详细解释：

1. 定义与核心概念

召回率（Recall）衡量的是模型在所有实际为正类的样本中，被正确预测为正类的样本所占的比例。它关注的是“查全率”，即模型是否能够尽可能多地识别出所有正类样本，而不遗漏重要信息。

2. 计算公式

3. 应用场景与意义

召回率在以下场景中尤为重要：

• 漏检成本高：例如在医疗诊断、安全监控、法律文档检索等领域，漏检（即未识别出正类样本）可能导致严重后果，因此需要高召回率。
• 信息检索：在信息检索中，召回率衡量系统检索出所有相关文档的比例，反映系统的全面性。

4. 与精确率（Precision）的关系

召回率与精确率（Precision）是两个相互制约的指标：

• 召回率关注“查全” ：即尽可能多地识别出正类样本。
• 精确率关注“查准” ：即预测为正类的样本中，真正为正类的比例。
  两者之间存在权衡：提高召回率可能降低精确率，反之亦然。

5. 局限性与优化方法

• 局限性：召回率不考虑误报（FP）的情况，即模型将负类样本错误预测为正类。因此，仅凭召回率无法全面评估模型性能。
• 优化方法：提高召回率的方法包括调低分类阈值、优化数据、增强特征、使用更复杂的模型等。

6. 与其他指标的结合

• F1分数：F1分数是精确率和召回率的调和平均数，用于平衡两者，适用于类别不平衡或需要综合评估模型性能的场景。

7. 总结

召回率是衡量模型在识别正类样本能力的重要指标，尤其适用于需要“查全”而非“查准”的场景。理解召回率有助于在实际应用中根据业务需求选择合适的评估指标和优化策略。