1 基本概念
1.1 定义
查全率是衡量系统“找回了多少应找回对象”的指标，表示在所有真实相关项目中，被系统成功识别出来的比例。它常用于评价检索、分类和筛查任务中的覆盖能力。
1.2 核心含义
查全率强调的是不遗漏目标对象，也就是尽可能把真实存在的相关项全部找出。该指标越高，说明系统漏检越少，但并不直接反映误报多少。
1.3 适用场景
查全率适用于需要评估“有没有漏掉”的任务，尤其是在错误漏判代价较高的场合。它通常与查准率配合使用，以避免单一指标造成判断偏差。
1.3.1 信息检索
在信息检索中，查全率用于衡量检索系统找回了多少相关文档。例如，用户检索某一主题时，系统返回的结果中覆盖了多少真正相关的资料。
1.3.2 机器学习分类
在分类任务中，查全率可用来评价模型对某一类别样本的识别能力。若某类样本经常被漏判，则该类的查全率会偏低。
1.3.3 医学筛查
在医学筛查中，查全率关注的是是否尽量找出所有可能患病者。此类场景通常更重视减少漏诊，因此查全率具有较高的实际意义。
1.3.4 质量检测
在质量检测中，查全率可用于衡量系统发现缺陷产品的能力。若检测目标是尽可能排出所有不合格品，则查全率是重要参考指标。
2 数学表达
2.1 公式定义
查全率通常表示为真正例与真正例加假负例之比，即： 查全率 = 真正例 /（真正例 + 假负例）。
2.2 相关符号说明
其中，真正例表示被正确识别为目标类别的样本，假负例表示实际属于目标类别却被遗漏的样本。二者共同反映系统对目标对象的识别完整性。
2.3 与混淆矩阵的关系
查全率可以直接由混淆矩阵中的相关项计算得到。它主要依赖于目标类别的真正例和假负例两个数值。
2.3.1 真正例
真正例越多，说明系统成功识别出的目标对象越多，查全率通常也越高。在理想情况下，真正例接近全部真实正样本时，查全率接近 1。
2.3.2 假负例
假负例表示漏掉的真实目标对象。假负例越多，查全率越低，因此它是限制查全率提升的关键因素之一。
2.4 百分比与小数表示
查全率既可以用小数表示，也可以换算成百分比。若查全率为 0.85，则可表述为 85%，两种写法含义相同。
3 指标关系
3.1 与查准率的区别
查全率关注“找回了多少”，查准率关注“找回的是否准确”。前者强调覆盖，后者强调纯度，两者常存在此消彼长的关系。
3.2 与F1值的关系
F1 值是查全率与查准率的综合指标，用于平衡二者表现。当某一指标显著偏低时，F1 值通常也会受到影响。
3.3 与准确率的区别
准确率衡量的是整体预测正确的比例，而查全率只关注目标类别是否被充分找出。对于样本分布不均衡的任务，准确率未必能真实反映漏检情况。
3.4 召回与覆盖率的联系
在一些语境中，查全率也被称为召回率，二者通常指同一概念。覆盖率则更强调对象被系统覆盖的程度，在部分场景中与查全率含义接近，但不一定完全等同。
4 计算方法
4.1 二分类任务中的计算
在二分类任务中，可先统计真正例和假负例，再代入查全率公式计算。若某类别被视为“正类”，则该类的漏判数量会直接影响结果。
4.2 多分类任务中的计算
在多分类任务中，查全率通常针对某一具体类别分别计算，再进行平均。常见做法包括宏平均和微平均，用于综合多类表现。
4.3 排序检索中的计算
在排序检索中，查全率常根据返回结果中相关项的数量相对于全部相关项来计算。随着检索深度增加，查全率一般会逐步提高。
4.4 集合论视角下的理解
从集合角度看，查全率可以理解为“被找出的相关集合”与“真实相关集合”的覆盖关系。系统返回的相关对象越接近真实集合，查全率就越高。
5 应用领域
5.1 搜索引擎
搜索引擎利用查全率评估是否充分找到了用户可能需要的内容。对于检索范围较大的任务，高查全率通常意味着更完整的信息覆盖。
5.2 文献数据库
在文献数据库中，查全率用于衡量检索式是否能找出尽可能多的相关论文或记录。对于系统检索和综述性研究，这一指标尤为重要。
5.3 推荐系统
推荐系统中，查全率可用于评价是否尽量覆盖用户可能感兴趣的项目。尽管推荐任务还会关注准确性和排序效果，但查全率仍能反映覆盖广度。
5.4 生物医学与风险筛查
在生物医学检测和风险筛查中，查全率常被视为关键指标之一，因为漏检可能带来较高代价。此类场景通常更倾向于优先提高查全率。
6 影响因素
6.1 阈值设置
判定阈值直接影响系统将样本归为目标类别的多少。阈值降低时，通常更容易找回更多目标对象，从而提高查全率。
6.2 数据分布
不同类别在数据中的分布会影响模型对目标对象的识别效果。若目标样本稀少，系统更容易漏掉它们，查全率也可能下降。
6.3 标注质量
标注是否准确会影响查全率的测量与训练效果。若真实标签存在错误，计算得到的查全率可能失真，模型优化方向也会受到干扰。
6.4 样本不平衡
当正负样本比例悬殊时，模型可能倾向于预测多数类，从而忽视少数类。此时少数类的查全率往往更难提高。
7 优化方法
7.1 调整判定阈值
通过调整阈值，可以改变系统对目标对象的敏感程度。一般而言，适当降低阈值有助于减少漏检，从而提升查全率。
7.2 改进特征与模型
更有区分度的特征和更合适的模型结构，通常能增强对目标对象的识别能力。这样既可能减少假负例，也有助于提升整体性能。
7.3 扩大候选集
在检索或推荐场景中，先扩大候选集再进行精排，往往有利于提高查全率。候选范围更大时，系统更不容易错过真实相关项。
7.4 代价敏感学习
在代价敏感学习中，可对漏判施加更高惩罚，促使模型更重视找全目标对象。该方法在对漏检敏感的任务中较为常见。
8 常见误解
8.1 高查全率不等于高质量
查全率高只说明漏掉的少，不代表结果一定准确或有用。若误报过多，系统整体质量仍可能不理想。
8.2 查全率不能单独评价系统
单独看查全率容易忽略错误识别的数量，因此往往不足以全面评价系统。实际应用中通常需要结合查准率、F1 值等指标一起判断。
8.3 与“检出率”概念混淆
在部分领域中，查全率与检出率会被混用，但不同文献和场景中的定义不完全一致。使用时应结合具体语境确认其含义。
8.4 忽略任务目标带来的偏差
不同任务对漏检和误报的容忍度不同，不能机械地追求同一水平的查全率。只有结合实际目标，指标才有解释意义。
9 相关概念
9.1 查准率
查准率表示系统返回的结果中有多少是真正相关的，用于衡量结果的准确程度。
9.2 假阳性率
假阳性率表示实际不属于目标类别却被错误判为目标类别的比例，反映误报水平。
9.3 假阴性率
假阴性率表示实际属于目标类别却被系统漏掉的比例，与查全率呈互补关系。
9.4 覆盖率
覆盖率通常强调系统覆盖对象的广度，在某些场景中与查全率接近，但具体定义可能因领域而异。
9.5 灵敏度
灵敏度常用于医学和检测领域，通常与查全率含义相近，表示对真实目标的识别能力。