回顾

核心理念

召回率侧重于数据集中的实际阳性案例，并量化模型成功捕捉到的阳性案例数量。其计算方法是真阳性（TP）--被正确识别为阳性的实例--与真阳性和假阴性（FN）--实际为阳性但被错误识别为阴性的实例之和的比率。高召回率模型能正确识别大多数正向实例。了解 Recall 对于评估模型性能至关重要，通常使用混淆矩阵来直观显示。

召回率 Vs.精确度

召回率通常与准确率一起讨论。召回率衡量的是正确识别的实际阳性比例，而精度衡量的是实际正确的预测阳性比例（TP / (TP + 假阳性)）。精确度和召回率之间往往存在权衡；优化其中一个有时会对另一个产生负面影响：

• 当漏检阳性实例（假阴性）的成本较高时，高召回率是首选。
• 当错误地将负实例识别为正实例（假阳性）的成本较高时，高精度是首选。

F1 分数是兼顾精确度和召回率的单一指标。

实际应用

在许多领域，召回率都是一个重要的评估指标：

• 医学图像分析：在使用人工智能进行肿瘤检测等任务中，高召回率至关重要。漏检恶性肿瘤（假阴性）可能会延误治疗，造成严重后果。因此，诊断系统通常会为高灵敏度（召回率）而优化，即使这意味着要标记一些良性病例以作进一步检查（较低的精确度）。确保全面检测是人工智能医疗的重中之重。
• 欺诈检测：在构建欺诈性金融交易检测系统时，最大限度地提高 "召回 "率非常重要。未能识别欺诈交易（假阴性）会导致重大经济损失。虽然尽量减少误报（假阳性）也是可取的，但确保大多数欺诈活动被抓获往往是优先考虑的问题。

计算机视觉的相关性

在计算机视觉领域，Recall 对于评估物体检测和图像分割等任务至关重要。对于像 Ultralytics YOLO这样的物体检测模型，召回率表示该模型在图像中找到特定物体类别的所有实例的情况。高召回率意味着模型很少遗漏它应该检测的对象。它通常与精确度（Precision）和平均精确度（mean Average Precision，mAP）一起使用，对检测性能进行综合评估，详见YOLO 性能指标指南。Ultralytics HUB等平台中的工具可以帮助用户在模型训练和验证过程中跟踪这些指标。了解召回率有助于开发人员针对特定需求对模型进行微调，例如确保在安防报警系统中进行全面检测。评估性能通常需要分析混淆矩阵得出的指标，并考虑潜在不平衡数据集的背景。