召回率（Recall）和准确率（Precision）

在机器学习、信息检索等领域，召回率（Recall） 和准确率（Precision） 是评估模型性能的两个核心指标，它们从不同角度衡量模型的效果，适用场景也存在显著差异，结果的解释对现实也有着不同的指导意义。

定义与核心关注点

准确率

召回率

举例说明

假设一个癌症筛查模型，对 100 名实际患病者（正例）和 900 名健康人（负例）进行预测，结果如下：

• 真正例（TP）：95 人（95 名患者被正确诊断）
• 假正例（FP）：50 人（50 名健康人被误判为患病）
• 假负例（FN）：5 人（5 名患者被漏诊）

则：

• 准确率 = 95 / (95 + 50) = 65.5%（模型预测为 “患病” 的人里，只有 65.5% 是真的患病（剩下 34.5% 是健康人被误诊）
• 召回率 = 95 / (95 + 5) = 95%（所有实际患病的人里，95% 被模型筛查出来了，有 5% 漏诊）

因此：

• 准确率关注 “预测为正例的可靠性”（少误诊）；
• 召回率关注 “实际正例的覆盖率”（少漏诊）。