召回率 是什麼？

Recall：召回率 的完整解釋

召回率衡量模型在所有實際正例中，成功識別出多少正例的能力，反映其查找完整性的指標

容易混淆

召回率 vs 精確率 精確率看你抓到的裡面有多少是真的。 召回率看真正該抓的裡面，你抓到了多少。 最關鍵的區別：一個看抓得準不準，一個看有沒有漏掉。

召回率 vs 準確率 準確率看整體判斷對不對。 召回率只看正類有沒有被找出來。 最關鍵的區別：一個看全體，一個看少數正類。

召回率 vs F1 分數 F1 分數是精確率和召回率的平衡。 召回率只看漏不漏。 最關鍵的區別：一個是單一面向，一個是綜合分數。

記住這句就好

想少漏抓，就看召回率。

實際案例

疾病篩檢 你不希望病人明明有病卻沒被抓出來，所以召回率很重要。 這時寧可多抓一些疑似案例，再由醫師複核。

客服詐騙訊息 如果你想盡量把可疑訊息都抓出來，召回率高會比較安心。 但若抓太多誤報，還是要再看精確率。

算法與應用

召回率的分母是所有實際正例，分子是被正確找出的正例。 門檻調低時，通常召回率會升，但誤報也可能增加。 在類別不平衡資料裡，召回率常比單看準確率更有意義。

公式與計算

召回率問的是：所有真正是正例的樣本裡，模型抓到了幾成。

Recall = TP / (TP + FN)

TP 是真陽性（實際是正例，模型也判正例），FN 是偽陰性（實際是正例，但模型漏掉了）。分母就是實際正例的總數。

實際算一次。100 個病人裡有 20 個真的生病，模型判定 15 人生病，其中 12 人真的生病：

召回率 60% 的意思是：真正生病的 20 個人裡，有 8 個被漏掉了。

召回率與精確率的取捨

這兩個指標幾乎永遠是此消彼長，因為你可以靠調整判定門檻把任何一邊拉高。

把門檻放寬，模型更容易判正例，召回率上升、精確率下降。極端一點，全部都判正例，召回率就是 100%，但這個模型毫無用處。

所以問題不是「哪個指標比較好」，而是「漏掉一個正例的代價，跟誤報一次的代價，哪個比較高」。

漏掉的代價高，優先顧召回率。 癌症篩檢漏掉一個病人可能致命，多叫幾個人回來複檢只是成本。詐欺偵測、設備故障預警、資安入侵偵測都屬於這一類。

誤報的代價高，優先顧精確率。 垃圾郵件過濾誤殺一封重要信件，比漏掉幾封垃圾信嚴重得多。

兩邊都要顧就看 F1 分數，它是兩者的調和平均。但要注意 F1 預設兩者同樣重要，如果實際上不是，該用的是 F-beta，beta 大於 1 偏重召回率，小於 1 偏重精確率。

情境判斷

Q1（直覺題）： 你在做癌症篩檢，最怕漏掉真正患者，該優先看什麼？

→ 優先看召回率，因為它直接反映有沒有漏掉該抓出的正例。

Q2（判斷題）： 如果你把判斷門檻調得很低，召回率一定會變好嗎？

→ 多半會提高，但同時誤報也可能變多，所以還要一起看精確率和 F1 分數。

召回率 在 iPAS 考試中的重點

根據歷年統計，召回率 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。

常見出題方向：分類模型評估指標的數學定義（40%）、召回率的計算方式與應用（35%）、與精確率的權衡分析（25%）。

常見問題

召回率一定和精確率互相衝突嗎？

常常有取捨，但不是絕對，有些模型調整後可以同時改善兩者。

為什麼醫療、資安特別重視召回率？

因為漏掉一個真的正例，代價可能很高。

召回率和準確率哪個更重要？

要看任務，若正類很少而且很重要，召回率通常更值得優先看。