机器学习中，召回率是什么概念？

本文内容由ChatGPT 4.0 生成。

机器学习中，召回率是什么概念？

在机器学习和统计分类中，召回率（Recall）是衡量分类模型对正类（关注的类）样本识别能力的指标。它是在所有实际为正类的样本中，被模型正确识别为正类的样本比例。

召回率的计算公式为：
$$[\text{召回率 (Recall)}=\frac{\text{真正例 (TP)}}{\text{真正例 (TP)}+\text{假负例 (FN)}}]$$
其中：

真正例（True Positives, TP）表示正确地将正类样本识别为正类的数量。
假负例（False Negatives, FN）表示错误地将正类样本识别为负类的数量。
召回率的值域在 0 到 1 之间，值越高表示模型识别正类样本的能力越强。在某些应用中，如疾病筛查或欺诈检测，召回率尤其重要，因为错过正类（如病患或欺诈行为）的代价可能非常高。

召回率是分类模型性能的三个关键指标之一，另外两个是准确率（Precision）和准确度（Accuracy）。准确率是指在所有被模型识别为正类的样本中，正确识别的比例。而准确度则是指模型正确识别正类和负类样本的总体比例。

召回率和准确率通常一起用来评估模型性能，因为单独提高其中一个通常会以牺牲另一个为代价。 例如，提高召回率可能会导致更多负类样本被错误地标记为正类，从而降低准确率。因此，在实践中，常常需要根据具体应用的需求在召回率和准确率之间找到一个平衡点。

我不理解的是，难道所有样本都可以被区分成“正类”和“负类”吗？难道不会存在其它的类别吗？请使用一些例子帮我理解吧。

确实，并不是所有的样本都严格分为“正类”和“负类”，这种二分类问题是最基本的情况。在实际应用中，可能会遇到多分类问题，其中样本可以被分为三个或更多的类别。召回率的概念也可以扩展到多分类问题中，但它通常会针对每个类别分别计算。

为了更好地理解这一概念，让我们看一些二分类和多分类问题的例子：

二分类问题的例子：

• 垃圾邮件检测：

“正类”可以是垃圾邮件，而“负类”是非垃圾邮件（正常邮件）。
召回率在这个情境中表示所有真实的垃圾邮件中，有多少被我们的模型正确标记为垃圾邮件。

• 疾病诊断：

“正类”可能是患有特定疾病的病例，而“负类”是健康的病例。
召回率就是在所有真实患病的病例中，有多少被检测出来了。

多分类问题的例子：

• 动物分类：

假设我们有一个模型来识别图片中的动物，可能的类别有“猫”、“狗”、“兔子”等。
对于“猫”这个类别，召回率将是在所有真实为“猫”的图片中，有多少被模型正确识别为“猫”。

• 手写数字识别：

在识别手写数字（0到9）的问题中，每个数字都是一个单独的类别。
召回率会针对每个数字计算。例如，计算“2”的召回率就是在所有实际标记为数字“2”的样本中，有多少被模型正确地识别为“2”。

在多分类问题中，计算召回率通常需要把每个类别都当作是“正类”，而所有其他类别都是“负类”，然后分别对每个类别计算召回率。最后，你可能会对所有类别的召回率取平均，得到一个总的召回率指标，这在多分类问题中被称为宏平均召回率（Macro-Averaged Recall）。

总结来说，召回率的概念实际上是可以适用于多种不同的分类问题，无论是二分类、多分类甚至是多标签分类（其中一个样本可能同时属于多个类别）。重要的是要理解召回率本身衡量的是我们关注类别的完整性——即模型捕捉到的相关实例的比例。

请出一个题目考考我，看看我是否真的理解了召回率概念。

当然，这里有一个关于召回率的题目：

假设你正在开发一个机器学习模型来识别社交媒体上的欺诈性账户。在测试模型的时候，你有以下的混淆矩阵：

                       预测：正类 (欺诈账户)    预测：负类 (正常账户)
实际：正类 (欺诈账户)        75 (TP)                25 (FN)
实际：负类 (正常账户)        10 (FP)               890 (TN)

其中：

TP 表示真正例（True Positives）：正确地将欺诈账户识别为欺诈的数量。
FN 表示假负例（False Negatives）：错误地将欺诈账户识别为正常的数量。
FP 表示假正例（False Positives）：错误地将正常账户识别为欺诈的数量。
TN 表示真负例（True Negatives）：正确地将正常账户识别为正常的数量。
问题：根据上面的混淆矩阵，计算此模型的召回率，并解释召回率告诉我们关于模型性能的信息。

请计算召回率，并解释模型在识别欺诈性账户方面的表现。