召回率是什么：实际目标中有多少被系统找到
解释 recall 的分母与漏检关系，区分精确率和准确率，并说明分类与检索场景中参考范围怎样确定。
先理解这个概念
召回率 recall 是实际为正的样本中，被正确找到的比例，公式为 TP/(TP+FN)。它关注漏掉目标的情况，与预测结果中有多少正确的精确率不同。计算需要知道实际目标范围，不能只查看已经返回的结果。高召回也可能伴随很多误报，应根据任务需要与其他指标一起评估，而非单独当作答案正确率。
漏掉的真实目标必须进入分母
Google 与 scikit-learn 用真实正类及漏检定义召回率。假设资料里有五封垃圾邮件，系统找到四封，召回为四除以五；返回结果中另外混入普通邮件，会影响精确率而不是增加真实目标数量。检索中需要先标明哪些文档相关，再判断找回比例，不是搜到任意一篇就达到全部召回。原始资料不完整时，只能报告已标注范围的结果，不能声称找到了所有应该存在的内容。
保留完整参考核对遗漏位置
例如从一组公开文档中人工标出能回答问题的段落，再用固定检索配置查询，逐条核对哪些进入候选。若报告前几位召回，应注明返回数量和相关性标准，不将候选命中当作最终生成正确。分类时也要保存未被选中的真实正类，避免评测只包含已返回结果。本文没有建立检索索引或运行分类，例子属于计算与验收说明。资料变更后相关集合可能变化，需更新参考而非沿用旧分母。
扩大候选不代表最终任务更好
增加返回数量可能提高召回，却也带来无关资料和更长输入，应用需要检查最终结果及等待。调整阈值后同时观察精确率，避免把所有记录都选中来取得好看的召回。维护成本包括相关性标注与遗漏复核，不能只统计命中次数。保留查询、版本和返回范围，更新模型或索引后重跑旧失败。最后说明指标适用的任务，不把召回率等同于每条答案可信度，也不由检索提高直接推断业务效果必然提升。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。