---
title: "召回率（Recall）"
slug: recall
language: zh-TW
source: https://aiterms.tw/terms/recall
updated_at: 2026-04-29
tags: [模型評估, 機器學習]
ipas_term: true
---

# 召回率（Recall）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **精確率**：先讀這個，才能看懂召回率在防漏還是在防誤報。
> - **F1 分數**：它是精確率和召回率的折衷指標。
> - **ROC 曲線**：常用來看不同門檻下的分類表現。
> - **ROC 曲線下面積**：如果你想比較整體區分能力，這個很常一起看。
> - **準確率**：要先知道它和召回率不是同一件事。

---

來源：https://aiterms.tw/terms/recall
快查頁：https://aiterms.tw/terms/recall
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-recall