### 如何在 Python 中计算和显示召回率 召回率（Recall），又称为灵敏度或真正例率，用于衡量模型检测到的实际正类占总实际正类的比例。其公式为： \[ \text{Recall} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}} \] 以下是通过 `scikit-learn` 库实现召回率计算的一个完整示例。 #### 使用 scikit-learn 计算召回率 ```python from sklearn.metrics import recall_score import numpy as np # 示例数据：真实标签和预测标签 y_true = np.array([1, 0, 1, 1, 0, 1]) y_pred = np.array([1, 0, 1, 0, 0, 1]) # 计算召回率 recall = recall_score(y_true, y_pred) print(f"Recall Score: {recall}") ``` 上述代码片段展示了如何利用 `sklearn.metrics.recall_score` 函数来快速获取召回率[^2]。 #### 自定义方式计算召回率 如果不想依赖外部库，也可以手动编写逻辑来计算召回率。 ```python def calculate_recall(y_true, y_pred): true_positives = sum((p == 1 and t == 1) for p, t in zip(y_pred, y_true)) false_negatives = sum((p == 0 and t == 1) for p, t in zip(y_pred, y_true)) if true_positives + false_negatives == 0: return 0.0 recall = true_positives / (true_positives + false_negatives) return recall # 测试自定义函数 recall_custom = calculate_recall(y_true, y_pred) print(f"Custom Recall Calculation: {recall_custom}") ``` 此部分实现了不借助任何第三方工具的手动召回率计算方法[^3]。 #### 结合 Pandas 数据框展示结果 当处理更复杂的数据集时，可以结合 Pandas 来整理并可视化评估指标。 ```python import pandas as pd # 创建 DataFrame 存储不同场景下的评价指标 data = { 'Metric': ['Precision', 'Recall'], 'Value': [precision_score(y_true, y_pred), recall_score(y_true, y_pred)] } df_metrics = pd.DataFrame(data) print(df_metrics) ``` 这里使用了 Pandas 将多个性能指标存储在一个表格结构中以便于分析[^4]。 ---