查全率—错检率曲线英文解释翻译、查全率—错检率曲线的近义词、反义词、例句

英语翻译：

【计】 recall-fallout plot

分词翻译：

查的英语翻译：

check; consult; examine; investigate

全的英语翻译：

complete; entirely; full; whole
【医】 pan-; pant-; panto-

率的英语翻译：

frank; hasty; lead; modulus; quotiety; rash; rate; ratio; usually
【医】 rate
【经】 rater.

错检率的英语翻译：

【计】 fallout ratio

曲线的英语翻译：

curve
【医】 curve
【经】 curve

专业解析

在信息检索与机器学习领域，查全率-错检率曲线（Recall-Fall-out Curve）是评估分类模型性能的重要工具，其核心在于平衡系统识别相关结果的能力与产生误报的风险。以下从汉英术语对照及技术原理角度进行解释：

一、核心概念定义

查全率（Recall）
指系统正确检索出的相关结果占所有实际相关结果的比例，反映模型避免漏检的能力。计算公式为：

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

其中 (TP)（True Positive）为正确识别的相关结果，(FN)（False Negative）为漏检的相关结果。

英文对应术语：Recall / Sensitivity
错检率（Fall-out）
指系统错误标记的无关结果占所有实际无关结果的比例，反映模型产生假阳性的风险。计算公式为：

$$text{Fall-out} = frac{FP}{FP + TN}$$

其中 (FP)（False Positive）为误检的无关结果，(TN)（True Negative）为正确排除的无关结果。

英文对应术语：Fall-out / False Positive Rate (FPR)

二、曲线意义与绘制原理

该曲线以错检率（FPR）为横轴、查全率（Recall）为纵轴，通过调整分类阈值（如概率判定门槛）生成一系列坐标点并连接成曲线。其关键特征包括：

曲线形态：理想状态下曲线应贴近左上角（高查全率、低错检率），表明模型能以最小误报代价覆盖最多相关结果。
阈值权衡：提高查全率（降低阈值）通常伴随错检率上升，反之严格阈值会降低错检率但增加漏检风险。
与ROC曲线关系：查全率-错检率曲线可视为ROC曲线（Receiver Operating Characteristic）的变体，后者以召回率（TPR）替代查全率，两者数学等价但分析侧重点不同。

三、实际应用场景

信息检索系统：优化搜索引擎返回结果，在保证高查全率（减少遗漏）的同时控制无关结果占比。
医学诊断模型：权衡疾病筛查的覆盖率（高查全率）与假阳性导致的过度医疗风险（低错检率）。
异常检测：如金融风控中平衡欺诈识别的全面性（Recall）与误判正常交易的比率（Fall-out）。

四、权威参考资料

信息检索评估指标综述：
Manning, C. D., et al. Introduction to Information Retrieval. Cambridge University Press, 2008. 链接（斯坦福大学权威教材）

机器学习模型评估标准：
Google AI Research. "Precision and Recall." Machine Learning Crash Course. 链接

医学诊断中的性能权衡：
National Institutes of Health. "Evaluation Metrics for Diagnostic Tests." NIH Clinical Guidelines. 链接

中国计算机学会技术报告：
《人工智能模型评估方法白皮书》. 中国计算机学会, 2022. 链接

术语对照表

中文	英文	缩写
查全率	Recall	R
错检率	Fall-out / False Positive Rate	FPR
真阳性	True Positive	TP
假阴性	False Negative	FN
假阳性	False Positive	FP
真阴性	True Negative	TN

网络扩展解释

查全率（Recall）与错检率（False Positive Rate, FPR）是分类模型评估中的两个关键指标，两者构成的曲线通常指ROC曲线（受试者工作特征曲线），用于衡量模型在不同分类阈值下的性能平衡。以下是详细解释：

1. 查全率（Recall）

定义：实际为正类的样本中被正确预测的比例，反映模型识别正类的能力。
公式：
$$ text{Recall} = frac{TP}{TP + FN} $$
其中，TP（True Positive）为正确预测的正类数，FN（False Negative）为漏检的正类数。

2. 错检率（False Positive Rate, FPR）

定义：实际为负类的样本中被错误预测为正类的比例，反映模型误报的程度。
公式：
$$ text{FPR} = frac{FP}{FP + TN} $$
其中，FP（False Positive）为错误预测的正类数，TN（True Negative）为正确预测的负类数。

3. 查全率—错检率曲线（ROC曲线）

含义：ROC曲线以错检率（FPR）为横轴、查全率（Recall/TPR）为纵轴，展示不同分类阈值下两者的权衡关系。
曲线特点：
- 曲线越靠近左上角，模型性能越好（高查全率、低错检率）。
- 对角线（AUC=0.5）表示随机猜测，无区分能力。
应用：通过计算曲线下面积（AUC）评估模型整体性能，AUC越大模型效果越好。

4. 实际意义

查全率与错检率的权衡：
- 提高查全率（如降低分类阈值）可能增加错检率（更多负类被误判为正类）。
- 降低错检率（如提高分类阈值）可能导致查全率下降（漏检更多正类）。
适用场景：
- 医疗诊断（需高查全率，减少漏诊）。
- 垃圾邮件过滤（需低错检率，避免误判正常邮件）。

查全率—错检率曲线（ROC曲线）直观展示了分类模型在敏感性与误报率之间的平衡，是选择最佳分类阈值和评估模型泛化能力的重要工具。需结合具体场景需求，调整阈值以优化查全率或控制错检率。