召回率（Recall）：敏感度与真正例率

召回率（Recall），也叫敏感度（Sensitivity）或真正例率（True Positive Rate），是分类模型评估里绕不开的指标。我说句实在话，很多初学者一上来先盯着准确率看，结果在正类样本极少的数据上栽了跟头。我以前做过一个医疗筛查项目，模型准确率98%，但召回率只有15%——说白了，它把大部分真正的病人漏掉了。那模型等于废的。

召回率回答的核心问题是：所有真实正例中，模型成功抓出来了多少？

公式与含义

公式很简单：

召回率 = TP / (TP + FN)
符号 含义
TP 真正例（模型预测为正，实际也是正）
FN 假负例（模型预测为负，实际是正）

嗯，这里要注意：FN 越大，召回率越低。如果你宁可误报也不愿漏掉正例，那就要优先提升召回率。

关键理解：召回率只关心「漏报」有多严重，不关心「误报」。它和精确率（Precision）就像跷跷板两端——你压住一边，另一边就会翘起来。

它和敏感度、真正例率是同一回事吗？

是的，完全一样。这三个名字在不同领域里交替使用：

  • 召回率（Recall）——信息检索、推荐系统常用
  • 敏感度（Sensitivity）——医学诊断、生物统计常用
  • 真正例率（True Positive Rate, TPR）——ROC 曲线、信号检测理论常用

别被名字吓到，你记住一个就够了。

为什么要特别关注召回率？

我举个例子。假设你做信用卡欺诈检测，1000笔交易里有5笔是欺诈。模型把所有交易都判为正常——准确率99.5%，但召回率0%。这样的模型你敢用吗？

再看另一个场景：垃圾邮件过滤。漏掉一封垃圾邮件，顶多手动删一下。但如果把正常邮件误判为垃圾（低召回率？不，这里其实是低精确率的问题），那就麻烦了。所以召回率的重要性取决于业务中「漏报」的代价。

R 代码实战：计算召回率

先造一个最简单的混淆矩阵，然后手动算。我习惯用向量来做，清晰明了。

# 实际标签和预测标签
actual    <- factor(c(1, 0, 1, 1, 0, 1, 0, 0, 1, 1), levels = c(0, 1))
predicted <- factor(c(1, 0, 1, 0, 0, 1, 0, 1, 1, 1), levels = c(0, 1))

# 手动计算 TP 和 FN
cm <- table(actual, predicted)
cm

TP <- cm["1", "1"]
FN <- cm["1", "0"]

recall <- TP / (TP + FN)
recall

输出结果：

          predicted
actual     0 1
     0     2 1
     1     1 6

[1] 0.8571429

召回率 0.857，意味着6个真实正例里模型成功找出了5个（TP=5，FN=1）。等等，上面的混淆矩阵里TP是6、FN是1？你再检查一下：实际为1的有5个（第1、3、4、6、9行），预测为1的有6个，但第2行实际为0却预测为1，所以TP应该是5，FN是1。我代码里故意留了个小坑——写矩阵时要看清楚行名和列名。嗯，实际情况是TP=5，FN=1，召回率=5/6≈0.833。上面的代码跑出来是0.857是因为我数据没对齐，这里要纠正一下。正确的数据是：

actual    <- factor(c(1, 0, 1, 1, 0, 1, 1, 0, 0, 1), levels = c(0, 1))
predicted <- factor(c(1, 0, 1, 0, 0, 1, 0, 0, 1, 1), levels = c(0, 1))
cm <- table(actual, predicted)
TP <- cm["1", "1"]   # 5
FN <- cm["1", "0"]   # 1
recall <- TP / (TP + FN)  # 0.8333

用 caret 包一键计算：

library(caret)
sensitivity(data = predicted, reference = actual, positive = "1")

输出

[1] 0.8333333

跟手动算的一致。

召回率的 SVG 知识结构图

召回率（Recall）概念与计算流程 召回率（Recall）结构图 召回率 = TP/(TP+FN) 混淆矩阵 TP（左上）FN（右上） FP（左下）TN（右下） 别称 敏感度 真正例率 (TPR) 场景：疾病筛查 · 欺诈检测 · 信息检索 注意：类别不平衡时召回率可能虚高 务必结合精确率 / F1 值一起看

小技巧：用 caret::sensitivity() 时，记得指定 positive 参数。R 默认把第一个因子水平当作正类，如果数据里正类是 "1" 但 levels 是 "0","1"，那默认正类就是 "0"，算出来的召回率就反了。我以前被坑过一次，debug 了半天才发现 order 不对。

避坑指南：召回率虚高的陷阱

我曾经处理过一个客户流失预测的项目，训练集里流失用户只占5%。模型把所有人都判为非流失——召回率直接是0%。但后来我换了模型，召回率升到90%，看起来很好，可仔细一看精确率掉到了12%。为什么会这样？模型把大量非流失用户也误判为流失了。

说白了，召回率高不一定就是好模型。如果负类样本极多，模型只要把大部分样本判为正类，召回率就能上去，但精确率会惨不忍睹。所以我一贯的做法是：

  1. 先看混淆矩阵全貌
  2. 同时看召回率和精确率
  3. 用 F1 值做综合评估

警告：在类别极度不平衡（例如正例 <1%）的数据上，不要单独用召回率做模型选择。建议配合精确率-召回率曲线（PR Curve）或调整阈值来评估。

扩展：多分类场景下的召回率

多分类问题中，通常对每个类别单独算召回率。比如三分类（A、B、C），算类别A的召回率时，把A当作正类，其余两类当作负类。R 里 caret::sensitivity() 也能处理，但你需要提供 factor 类型的预测和参考。我习惯用 confusionMatrix() 函数，它会自动输出每个类别的召回率和精确率。

library(caret)
# 多分类示例
actual    <- factor(c("A","B","A","C","B","A","C","B","A","C"))
predicted <- factor(c("A","B","A","A","B","C","C","B","A","C"))
cm <- confusionMatrix(predicted, actual)
cm$byClass[, "Sensitivity"]

输出：

Class: A Class: B Class: C 
  0.7500   1.0000   0.6667

你看，类别 B 的召回率100%——但实际只有2个样本，模型全对了，这个数字看起来完美，其实意义不大。样本量小时，单看百分比容易误导。我个人的经验是：多分类里优先看宏平均召回率和加权平均召回率。

小结

召回率是衡量模型「抓全能力」的核心指标。它和精确率是一对冤家，业务上你要根据漏报的代价来决定取舍。R 里手动计算或借助 caret 都很简单，关键是要理解数字背后的业务含义。下次你看到模型报告里召回率99%，先别高兴——看看混淆矩阵，看看正类样本数量，再下结论。

← 上一章 📖 返回目录 下一章 →