【recall】“Recall” 是一个在多个领域中广泛使用的术语，尤其在信息检索、机器学习和统计学中具有重要意义。它通常用来衡量系统在搜索或分类任务中能够正确识别出相关项目的比例。本文将从定义、应用场景以及计算方法等方面对 “Recall” 进行总结，并通过表格形式直观展示其与其他指标的关系。
一、Recall 的定义
Recall（召回率）是指在所有实际为正类的样本中，被模型正确识别为正类的比例。换句话说，它衡量的是模型“找到所有相关项目”的能力。Recall 越高，说明模型漏掉的正类样本越少。
公式如下：
$$
\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}
$$
其中：
- TP（True Positive）：真正例，即实际为正类且被正确识别为正类的样本数量。
- FN（False Negative）：假反例，即实际为正类但被错误识别为负类的样本数量。
二、Recall 的应用场景
| 应用场景 | 说明 |
| 信息检索 | 检索系统中，Recall 衡量系统能返回多少相关文档。 |
| 医疗诊断 | 在疾病检测中，高 Recall 表示系统较少遗漏患病患者。 |
| 安全监控 | 如人脸识别系统中，高 Recall 可减少误放行风险。 |
| 推荐系统 | 用于衡量推荐结果中是否覆盖了用户可能感兴趣的内容。 |
三、Recall 与其他指标的关系
| 指标 | 定义 | 与 Recall 的关系 |
| Precision（精确率） | 正确识别为正类的样本中，实际为正类的比例 | 与 Recall 呈现权衡关系，通常无法同时最大化两者 |
| F1 Score | Precision 和 Recall 的调和平均数 | 综合评估模型性能 |
| Accuracy（准确率） | 所有预测正确的样本比例 | 不适用于类别不平衡数据集 |
| ROC Curve | 以 FPR 为横轴，TPR 为纵轴的曲线 | TPR 即 Recall，常用于模型评估 |
四、Recall 的优缺点
| 优点 | 缺点 |
| 强调避免漏检，适合对漏报敏感的场景 | 忽略误报问题，可能导致大量无关结果被召回 |
| 对于类别不平衡的数据更具参考价值 | 若只关注 Recall，可能牺牲模型整体准确性 |
五、总结
Recall 是衡量模型识别能力的重要指标之一，尤其在需要尽量减少漏报的场景中具有关键作用。然而，它并非万能，需结合 Precision、F1 Score 等其他指标进行综合评估。在实际应用中，应根据具体需求选择合适的评估标准，以达到最佳效果。
表格总结：
| 指标 | 公式 | 说明 |
| Recall | $\frac{TP}{TP + FN}$ | 衡量模型识别正类样本的能力 |
| Precision | $\frac{TP}{TP + FP}$ | 衡量模型预测正类的准确性 |
| F1 Score | $2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$ | 综合评估模型性能 |
| Accuracy | $\frac{TP + TN}{TP + TN + FP + FN}$ | 整体预测正确率 |