趋近智
召回率,也称作敏感度或真阳性率(TPR),衡量模型识别正例的完整程度。精确率评估模型正向预测的准确性;召回率解决的是一个不同的问题:在所有实际正例中,模型正确识别出了多少?
可以这样理解:如果你需要找到一些重要的事物(比如识别患有特定疾病的患者,或检测生产线上的缺陷产品),召回率衡量了你的模型在找到所有这些事物方面的成功程度。它衡量了模型识别正例的“完整性”。
召回率是利用混淆矩阵中的真阳性 () 和假阴性 () 计算得出的。请记住:
召回率的公式是:
分母 代表数据集中实际阳性实例的总数(即被正确识别的和被遗漏的)。因此,召回率提供了您的模型成功“召回”或识别出这些实际阳性实例的比例。
召回率的取值范围是 0 到 1(或 0% 到 100%)。
在未能识别出阳性案例(假阴性)会带来严重后果的情况下,优先考虑召回率非常重要。请考虑以下例子:
需要理解的是,召回率侧重于找到所有实际阳性实例,而精确率则侧重于确保模型预测为阳性的实例确实是阳性。通常,提高召回率可能会导致精确率下降,反之亦然。如果您尝试捕获每个可能的阳性实例(高召回率),您最终可能会错误地将更多阴性实例标记为阳性(降低精确率)。这种关系被称为精确率-召回率权衡,我们将在下一节进行讨论。
总之,召回率衡量了模型识别数据集中所有相关实例的效率。它回答了这样一个问题:“在我们本应找到的所有事物中,我们实际找到了多少?”当遗漏阳性实例的成本很高时,它是一个重要的指标。
这部分内容有帮助吗?
© 2026 ApX Machine Learning用心打造