【学习笔记】机器学习模型指标之召回率（Recall)
公式：TP（真阳性）：模型正确预测的正例FN（假阴性）：模型漏检的正例（实际为真，但预测为假）核心意义：衡量模型“找全正例”的能力（避免漏检）。✅ 漏检成本高的场景：疾病筛查（癌症检测）安全监控（机场安检）法律文档检索（不能遗漏关键证据）权衡关系：↑召回率 → 可能 ↓精确率（模型更激进）↑精确率 → 可能 ↓召回率（模型更保守）调低分类阈值：让模型更“宽松”地标记正例。优化数据：对正例过采样，或
📝 召回率（Recall）
1. 核心定义
-
公式：
-
TP（真阳性）：模型正确预测的正例
-
FN（假阴性）：模型漏检的正例（实际为真，但预测为假）
-
-
核心意义：衡量模型“找全正例”的能力（避免漏检）。
2. 关键应用场景
-
✅ 漏检成本高的场景：
-
疾病筛查（癌症检测）
-
安全监控（机场安检）
-
法律文档检索（不能遗漏关键证据）
-
3. 召回率 vs. 精确率（Precision）
| 指标 | 关注点 | 公式 | 适用场景 |
|---|---|---|---|
| 召回率 | 查全（不漏检） | TP/（TP+FN） | 宁可误报，不可漏检 |
| 精确率 | 查准（不错检） | TP/（TP+FP） | 宁可漏检，不可误报 |
权衡关系：
-
↑召回率 → 可能 ↓精确率（模型更激进）
-
↑精确率 → 可能 ↓召回率（模型更保守）
4. 提高召回率的方法
-
调低分类阈值：让模型更“宽松”地标记正例。
-
优化数据：对正例过采样，或给FN更高惩罚权重。
-
增强特征：添加更多与正例相关的特征（如医学检测中的详细指标）。
-
换模型：使用对正例敏感的模型（如决策树、随机森林）。
5. 局限性
-
❌ 忽视误报（FP）：高召回率可能伴随大量假阳性（如垃圾邮件检测误判正常邮件）。
-
❌ 依赖场景：需结合业务需求（法律场景重召回率，社交媒体审核重精确率）。
6. 实战案例
癌症检测模型：
| 预测患癌 | 预测健康 | |
|---|---|---|
| 实际患癌 | 80 (TP) | 20 (FN) |
| 实际健康 | 10 (FP) | 900 (TN) |
Recall=80/（20+80）*100%=80%
7. 综合技巧
-
结合F1分数：平衡召回率和精确率 →
-
绘制PR曲线：观察不同阈值下的性能变化。
-
业务对齐：与专家确认最低召回率要求（如医疗场景要求 ≥95%）。
✨ 一句话记忆：召回率是“宁可错杀一千，不可放过一个”的查全能力指标！
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
10
0- 0
已为社区贡献1条内容
所有评论(0)