从“召回率”到“查全率”：技术术语也需要好的中文表达

机器学习里有一个很常见的指标：Recall。这个词通常被翻译为“召回率”。

但我一直觉得，这个翻译不够直观。

第一次接触“召回率”时，仅仅看到这个词，很难理解它到底在衡量什么。“召回”在中文语境里，更容易让人想到产品召回、人员召回。即便已经记住公式：

$ Recall=\frac{TP}{TP+FN} $

往往还是需要再经过一层解释，才能真正建立直觉。直到最近，我遇到了另外一种翻译：查全率。

看到这个词的一瞬间，很多东西突然变得清晰了。

和 Recall 对应的 Precision，也可以翻译为：查准率。 “查准率”和“查全率”放在一起，几乎不需要额外解释。

查准率：查出来的东西，到底准不准？

查全率：应该查出来的东西，到底查全了没有？

比如河面上实际存在 100 个漂浮物。

模型一共检测出了 90 个目标，其中 80 个确实是漂浮物，另外 10 个属于误检。

那么：

$ Precision=\frac{80}{90}=88.9% $

也就是说，模型查出来的目标里，有 88.9% 是正确的。

这就是查准率。

而：

$ Recall=\frac{80}{100}=80% $

也就是说，实际存在的 100 个漂浮物里，模型只找到了 80 个，还有 20 个没有被发现。

这就是查全率。

于是 Precision 和 Recall 之间那个初学时看起来有些抽象的关系，也一下变得非常自然：

一个关注“查得准不准”，一个关注“查得全不全”。

模型如果把判断标准放得很严格，只在非常有把握的时候才认为存在目标，那么通常会查得更准，但可能漏掉很多目标。

反过来，如果为了尽可能不漏掉目标而降低判断门槛，那么可以查得更全，但同时也可能带来更多误检。

所谓 Precision 和 Recall 的权衡，本质上不过是在回答两个非常朴素的问题：

我要查得更准，还是查得更全？

这也是为什么我越来越喜欢“查准率”和“查全率”这组翻译。

相比之下，“精确率”和“召回率”虽然已经成为机器学习领域非常常见的叫法，但对第一次接触这些概念的人来说，词语本身几乎没有提供多少理解上的帮助。