召回率(Recall Rate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率;精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。

召回率(Recall)和精度(Precise)是广泛用于信息检索和统计学分类领域的两个度量值，用来评爱损严价结果的质量。

• 中文名 召回率
• 外文名 Recall Rate
• 也叫 查全率
• 衡量 检索系统的查全率

基本概念

　　对于数据测试结果有下面4种情况:

　　TP: 预测为正，实际为正

　　TN: 预测为负，来自实际为负

　　FP因美核讨乙价:预测为正，实际为负

　　FN: 预测为负，实际为正

　　T/F:表示预测结果是否正确

　　P/N:表示预测结果是正或负样本

　　精确率、准确率:Accuracy=(TP+TN)/(TP+TN+FN+FP)

　　精准率、查准率: P = TP/ (TP+FP)

　　召回率、查全率: R = TP/ (TP+FN)

　　真正例率(同召回率、查全率):TPR = TP/ (TP+FN)

　　假正例率:FPR =FP/ (FP+TN)

　　F1-score: 2*TP/(2*TP + FP + FN)

计算方法

　　召回率和精度示意图

　　假定:从一个大规模数据360百科集合中检索文档时，可把文档分成四组:

recall

　　- 系统检索到的相关文档(A)

　　- 系统检索到的不相关文档(B)

　　- 相关但是系统没有检索到的文档(C)

　　- 不相关且没有被犯决奏系统检索到的文档(D)

　　则:

　　- 召回率R:用实际检索到相关文档数作为分子，所有相关文档总数作为分母，即R = A / ( A + C )

　　- 精度P:用植随南怕请朝娘蒸沿实际检索到相关文档数作为分子，所有检索到的文档总数作为分母，即P = A / ( A + B )

　　举例来说:

　　一个数据库有50过统错科换章样0个文档，其中有50个文档符合定义。系统检索到75个文档，但是实际只有45个符合定义。则:

　胡太式曲权投齐味鸡劳斤　召回率R=45/50=90%

　　精度P=45/75=华婷模兵办功品模材60%

　　本例中，系统检索是比较有效的，召回率为90%。但是结果有很大的噪音，有近一半的检索五结果是不相关。 研究表明:在不牺牲精度的情况下，获得一个高召回率是货表表空法饭备约如收很困难的。

搜索系统

　　对于一个检索系统来讲，召回率和精度不可能两全其美:召回率高时，精度低，精度高时，召回率低。所以常用11种召回率下11种精度的平均值来衡量一个检索系统的精度。我们也可以将这两个度量值融合成一个度量值，如F度量(F-measure)。对于搜索引擎系统混林便延些才顾八温密来讲，因为没有一个搜索引擎系统能够搜集到所有的WEB网页，所以召回率很难计算。搜索引擎来自系统都非常关心精度。

　　影响一个搜索引擎系统的性能有很多因素，最主要的是信息检索模型，包括文档和查询的表示方法、评价文档和用户查询相360百科关性的匹配策略、查询结果的排序方法和用户进行相关度反馈的的机制。

　　"召回率"与"准确率"虽然没有必然的关系，然而分周对在大规模数据集合中，这两个指标却是相互制约的。

　　由于"检索策略"并不完善，希望更多相关的文档被检索到时，放宽"检索策略"，往往也会伴随出现一些不相关的结果，从而使准确准已哥众总升雨展率受到影响。

　　而希望去除检索今顺结果中的不相关文档时，务否守活移固必要将"检索策略"定的更加严格，这样也会使有一些相关的文档不再能被检索到，从而使召回率受到影响。

　　凡是设计到大规模数据集合的真神时统听花广亲检索和选取，都涉及到"召回率"和"准确率"这两个毛尔正延面道演学指标。而由于两个指标相互制约，我们通常也会根据需要为"检索策略"选择一个合适的度，不能太严格也不能太减衣尔用亚松，寻求在召回率司查厚队汽修车跑慢本指和准确率中间的一个平衡点，这个平衡点由具体需求决定。

常用名词

　　TP -- True Positive (真正, TP)被模型预测为正的正样本;可以称作判断为真的正确率

　　TN -- True Negative(小真负 , TN)被模型预测为负的负样本 ;可以称作判断为假的正确率

　　FP --抗乎法龙范分False Positive (假正, FP)被模型预测为正的负样本;可以称作误报率

　　FN--False Negative(假负 , FN)被模型预测为负的正样本;可以称作漏报率

　　True Positi划战ve Rate(真正率 , TPR)名权额居龙用热百或灵敏度(sensitivity)

　　TPR = TP /(TP + FN)

　　被预测为正的正样本结果数 / 正样本实际数

　　True Negative Rate(真负率 , TNR)或特指度(specificity)

　　TNR = TN /(TN + FP)

　　被预测为负的负样本结果数 / 负样本实际数

　　False Positive Rate (假正率, FPR)

　　FPR = FP /(TN + FP)

　　被预测为正的重战控干只住尽白量坏杨负样本结果数 /负样本实际数

　　False Negative Rate(假负率 , FNR)

　　FNR = FN /(TP + FN)

　　被预测为负的正样本结果数 / 正样本实际数