【recall用法】在自然语言处理（NLP）和机器学习领域，recall 是一个非常重要的评估指标，常用于衡量模型在识别正类样本时的准确性。它与 precision 一起构成了分类任务中常用的评价体系。
一、Recall 的定义
Recall（召回率）表示的是：所有实际为正类的样本中，被模型正确识别出来的比例。换句话说，它衡量的是模型“不漏掉”正类样本的能力。
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，且被模型预测为正类。
- FN（False Negative）：假反例，即实际为正类，但被模型预测为负类。
二、Recall 的应用场景
Recall 在以下场景中尤为重要：
- 医疗诊断：不能漏诊病人。
- 安全检测：如垃圾邮件过滤、欺诈检测等。
- 搜索引擎：希望尽可能多的返回相关结果。
三、Recall 与其他指标的关系
| 指标 | 公式 | 含义 |
| Recall | $\frac{TP}{TP + FN}$ | 衡量模型识别出所有正类样本的能力 |
| Precision | $\frac{TP}{TP + FP}$ | 衡量模型预测为正类的样本中有多少是真正的正类 |
| F1 Score | $2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$ | 综合考虑 Precision 和 Recall 的平衡指标 |
四、Recall 的优缺点
| 优点 | 缺点 |
| 适用于正类样本较少的情况，能有效避免漏检。 | 如果正类样本过多，Recall 可能会偏高，无法反映模型的准确度。 |
| 在医疗、安全等对漏检敏感的领域具有重要意义。 | 无法单独判断模型的整体性能，需结合 Precision 使用。 |
五、Recall 的优化策略
| 方法 | 说明 |
| 调整分类阈值 | 降低分类阈值可以提高 Recall，但可能降低 Precision |
| 数据增强 | 增加正类样本的数量，有助于模型更好地识别正类 |
| 使用更复杂的模型 | 如深度学习模型，能够捕捉更复杂的特征，提升识别能力 |
| 多模型集成 | 通过多个模型的组合来提升整体的 Recall 水平 |
六、总结
Recall 是衡量分类模型性能的重要指标之一，尤其在那些“漏检代价高”的场景中更为关键。虽然它有自身的局限性，但在实际应用中，通常需要结合 Precision 和 F1 Score 来全面评估模型表现。合理使用和优化 Recall，有助于构建更可靠、更实用的 AI 系统。
表格总结：
| 项目 | 内容 |
| 定义 | 所有实际为正类的样本中被正确识别的比例 |
| 公式 | $\frac{TP}{TP + FN}$ |
| 应用场景 | 医疗、安全、搜索等对漏检敏感的领域 |
| 优点 | 避免漏检，适合正类少的场景 |
| 缺点 | 单独使用可能不全面，易受数据分布影响 |
| 优化方法 | 调整阈值、数据增强、复杂模型、集成学习 |
