完整定義
召回率(Recall)是一種模型評估指標,用於衡量模型正確識別出所有正例的能力。它表示在所有實際為正例的樣本中,模型成功預測為正例的比例。在 iPAS 初級考試中,召回率與精確度(Precision)經常一起出現,用於評估分類模型的效能,理解兩者的差異和應用場景至關重要。
白話說明
你在找漏報風險時,會不會更在意「有沒有漏掉」而不是「抓到的是不是都對」?
你可以把召回率想成模型有沒有把該找的東西都找出來。
它關心的是完整性,不是只看命中率。
記住這句
想少漏抓,就看召回率。
比喻:召回率就像釣魚時的漁網大小 -- 如果你想捕到所有魚,就要用一張夠大的網,確保不會有魚漏掉,但這可能也會捕到一些雜物。
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。
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。
演算法與應用
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。
- 項目
- TP(有病且被抓到)
- 數量
- 12
- 項目
- FN(有病但被漏掉)
- 數量
- 8
- 項目
- FP(沒病卻被誤判)
- 數量
- 3
- 項目
- Recall
- 數量
- 12 / (12 + 8) = 60%
- 項目
- Precision
- 數量
- 12 / (12 + 3) = 80%
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。
iPAS 考題
Q1: 召回率的定義是什麼?
在所有實際正例中,被模型正確找出的比例。
Q2: 召回率高就代表模型一定比較好嗎?
不一定,還要看誤報多不多,否則可能是把很多負例也一起抓進來。
常見問題
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。
因為漏掉一個真的正例,代價可能很高。
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。
Recall = TP / (TP + FN)。TP 是真陽性,實際是正例而且模型也判為正例,FN 是偽陰性,實際是正例卻被判成負例。例如實際有 200 個正例,模型抓到 180 個,召回率就是 180 / 200 = 0.9。
在二元分類裡是同一個指標,公式都是 TP / (TP + FN)。資訊檢索與機器學習習慣叫召回率,醫學檢驗習慣叫敏感度或靈敏度,也有人稱真陽性率(TPR)。和它成對的特異度,看的是負例被正確判為負例的比例。
範例考題
某醫院使用機器學習模型篩檢癌症患者。模型預測結果會決定哪些病人需要進一步檢查。院方非常重視盡量找出所有可能的癌症患者,即希望降低漏診(Missed Diagnosis)風險,即便這可能增加一些誤判。下列哪一個評估指標最能反映模型找出癌症患者的能力?
- A精準率(Precision)
- B召回率(Recall)
- C假陽性率(False Positive Rate)
- DROC-AUC 曲線
正解是 B:召回率(Recall)
解析:召回率(Recall)衡量的是實際陽性樣本中被模型正確識別的比例,即「模型能找出多少真正的癌症患者」。院方希望降低漏診風險,就是要最大化召回率,確保盡可能不遺漏任何癌症患者。
某製造業公司建置機器學習模型,用於預測產品是否為瑕疵品。實際生產資料中,瑕疵品比例極低,大多數樣本皆為正常品。模型測試時發現,即使模型多數預測為正常品,仍可獲得很高的整體準確率。在此情境下,若希望更有效衡量模型對瑕疵品的辨識能力,下列何者較適合作為主要評估指標?
- AF1-score
- B均方誤差(Root Mean Squared Error, RMSE)
- C準確率(Accuracy)
- D判定係數(R², Coefficient of Determination)
正解是 A:F1-score
解析:在類別不平衡的場景中,準確率會被多數類別主導而失去鑑別力。F1-score 結合了精準率(Precision)和召回率(Recall),能更有效地評估模型對少數類別(瑕疵品)的辨識能力。
出現在這些考古題
官方公告試題的逐題解析裡,有 8 題把召回率列為延伸術語,這裡列出 5 題。
立即測驗
想測試你對 召回率 的掌握程度?用考古題作答
相關術語
來源
這個術語目前沒有標註外部來源。
考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。
其他格式:Markdown 版本