【recall】在机器学习和信息检索领域，Recall（召回率） 是一个非常重要的评估指标，用于衡量模型在识别相关样本方面的表现。它反映了模型能够从所有实际相关的样本中找出多少比例的正确结果。Recall 的计算方式为：
$$
\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}
$$
其中：
- TP（True Positive） 表示真正例，即模型正确识别出的正类样本。
- FN（False Negative） 表示假反例，即模型错误地判断为负类的正类样本。
Recall 越高，说明模型漏掉的正类样本越少，因此在需要尽可能多识别出正类的场景中（如疾病检测、异常检测等），Recall 是一个关键指标。
一、Recall 的意义
Recall 主要关注的是“是否能正确识别出所有应该被识别的样本”。例如，在医疗诊断中，如果模型对某种疾病的检测 Recall 很低，意味着很多患病的人可能被误判为健康人，这可能会带来严重后果。
与 Precision（精确率）不同，Recall 更加关注“不遗漏”，而 Precision 更加关注“不出错”。两者之间往往存在权衡关系，因此在实际应用中，需要根据具体任务来选择合适的指标或进行综合评估。
二、Recall 与其他指标的关系
| 指标 | 定义 | 用途 |
| Recall | 正确识别的正类样本 / 所有实际正类样本 | 衡量模型识别正类的能力 |
| Precision | 正确识别的正类样本 / 所有被模型判定为正类的样本 | 衡量模型预测的准确性 |
| F1 Score | Precision 和 Recall 的调和平均值 | 综合考虑精确率和召回率 |
| Accuracy | 正确预测的样本总数 / 所有样本总数 | 衡量整体预测准确度 |
三、Recall 的应用场景
| 应用场景 | 为什么重要 |
| 疾病检测 | 避免漏诊，确保患者及时治疗 |
| 异常检测 | 及时发现潜在风险或问题 |
| 推荐系统 | 提高用户看到相关内容的可能性 |
| 安全监控 | 不遗漏任何可疑行为 |
四、如何提高 Recall
1. 调整分类阈值：降低分类器的决策阈值，使更多样本被判定为正类。
2. 优化特征工程：增加有助于区分正类的特征。
3. 使用更复杂的模型：如深度学习模型，提升对复杂模式的识别能力。
4. 数据增强：通过增加训练数据来改善模型的泛化能力。
五、总结
Recall 是一个衡量模型识别能力的重要指标，尤其在需要尽量减少漏检的场景中具有重要意义。虽然 Recall 和 Precision 存在一定的矛盾，但在实际应用中，可以通过调整模型参数、优化算法或引入其他评估指标（如 F1 Score）来实现更好的平衡。理解并合理使用 Recall，有助于构建更加可靠和高效的机器学习系统。