召回率（Recall）是分类模型评估的核心指标之一，主要衡量模型对"真实正类样本"的"识别能力"------即所有真正属于正类的样本中，被模型成功预测为正类的比例。它的计算依赖于"混淆矩阵"（Confusion Matrix）中的两个关键指标，需先理解基础概念再推导公式。
一、先搞懂：召回率依赖的"混淆矩阵"
在二分类问题中（比如"判断邮件是否为垃圾邮件""检测肿瘤是否为恶性"），模型的预测结果与真实情况会产生4种组合，构成混淆矩阵：
| 真实情况\预测结果 | 预测为正类（Positive） | 预测为负类（Negative） |
|---|---|---|
| 真实正类（Positive） | TP（真正例） | FN（假负例） |
| 真实负类（Negative） | FP（假正例） | TN（真负例） |
对这4个指标的通俗解释（以"肿瘤检测"为例，正类=恶性肿瘤，负类=良性肿瘤）：
- TP（True Positive，真正例）：真实是恶性（正类），模型预测为恶性（正类）→ 正确判断。
- FN（False Negative，假负例） ：真实是恶性（正类），模型预测为良性（负类）→ 漏判（最危险的错误，比如漏诊癌症）。
- FP（False Positive，假正例）：真实是良性（负类），模型预测为恶性（正类）→ 误判（比如良性误判为恶性，造成不必要恐慌）。
- TN（True Negative，真负例）：真实是良性（负类），模型预测为良性（负类）→ 正确判断。
二、召回率的计算公式
召回率的核心是"抓全真实正类"，因此公式聚焦于 "真实正类中被正确预测的比例"：
公式：
\\text{召回率（Recall）} = \\frac{\\text{TP（真正例）}}{\\text{TP（真正例）} + \\text{FN（假负例）}}
- 分母（TP + FN）：所有"真实正类样本的总数"（不管模型预测对不对，只要真实是正类，都算在内）。
- 分子（TP）：在真实正类中，被模型"正确预测为正类"的样本数。
- 取值范围：0 ~ 1（或0% ~ 100%），越接近1，说明模型"漏判正类"的概率越低，抓全正类的能力越强。
三、实例：手把手算召回率
以"垃圾邮件识别"为例（正类=垃圾邮件，负类=正常邮件）：
假设模型处理了100封真实垃圾邮件（TP + FN = 100），其中：
- 85封被正确预测为垃圾邮件（TP = 85）；
- 15封被误判为正常邮件（FN = 15）。
代入公式计算：
\\text{召回率} = \\frac{85}{85 + 15} = \\frac{85}{100} = 0.85 \\quad (\\text{即85%})
这意味着：所有真实垃圾邮件中，85%被模型成功识别，15%被漏判为正常邮件。
四、关键补充：召回率的应用场景
召回率的价值体现在"对漏判敏感的场景"------即"宁可误判，不能漏判"的情况：
- 医疗诊断：比如癌症检测，漏判（FN）会导致患者错过治疗时机，因此需要优先保证高召回率（哪怕部分良性被误判为恶性）。
- 风控识别：比如信用卡欺诈交易，漏判（FN）会导致用户/平台损失，需高召回率抓全欺诈交易。
- 安全检测：比如机场危险品识别，漏判（FN）可能引发安全事故，必须高召回率。
⚠️ 注意：召回率通常与"精确率（Precision）"存在权衡关系------提高召回率可能导致精确率下降（比如为了不漏判癌症，把更多良性判为恶性，导致误判增加），需根据业务需求平衡两者（常用F1分数综合评估）。
五、多分类问题中的召回率
如果是多分类（比如识别"猫、狗、鸟"），召回率需按"每一类"单独计算，再通过两种方式综合：
- 宏平均召回率（Macro-Recall）：先算每一类的召回率，再取平均值（不考虑类别的样本数量）。
- 微平均召回率（Micro-Recall）：先统计所有类的总TP和总FN，再用总TP/(总TP + 总FN)计算（等价于多分类的准确率）。
日常场景中，二分类的召回率是基础，理解后可轻松扩展到多分类。