召回率(Recall)

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:

  1. 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)。
  2. 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。
  3. 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:

  1. 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)。
  2. 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。

相关推荐
Elastic 中国社区官方博客2 分钟前
Elasticsearch MCP 服务器:与你的 Index 聊天
大数据·服务器·人工智能·elasticsearch·搜索引擎·ai·全文检索
virtual_k1smet2 小时前
#等价于e * d ≡ 1 mod φ(n) #模逆元详解
人工智能·算法·机器学习
可触的未来,发芽的智生2 小时前
新奇特:神经网络的集团作战思维,权重共享层的智慧
人工智能·python·神经网络·算法·架构
H3C-Navigator2 小时前
HRPC在Polaris存储系统中的应用
网络·人工智能·ai-native
智慧地球(AI·Earth)3 小时前
智能体版中科院学术GPT上线内测!AI与科研的深度碰撞
人工智能·gpt·科研助手·学术智能体
文火冰糖的硅基工坊3 小时前
[创业之路-653]:社会产品与服务的分类
大数据·数据库·人工智能
StarPrayers.3 小时前
基于PyTorch的CIFAR10加载与TensorBoard可视化实践
人工智能·pytorch·python·深度学习·机器学习
肖书婷3 小时前
人工智能-机器学习day4
人工智能·机器学习
Sui_Network4 小时前
CUDIS 健康协议在 Sui 上打造更健康的未来
人工智能·科技·web3·去中心化·区块链
飞哥数智坊4 小时前
Claude 4.5 升级解析:很强,但请别跳过“Imagine”
人工智能·ai编程·claude