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。
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。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
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
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。
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） ✓ 正確答案
- C. 假陽性率（False Positive Rate）
- D. ROC-AUC 曲線
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？
- A. F1-score ✓ 正確答案
- B. 均方誤差（Root Mean Squared Error, RMSE）
- C. 準確率（Accuracy）
- D. 判定係數（R², Coefficient of Determination）
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。