召回率指的是实际垃圾邮件中正确分类的电子邮件所占的百分比，即图中阈值线右侧的绿点所占的百分比：
$$
{ \mathrm { R e c a l l } } = { \frac { T P } { T P + F N } } = { \frac { 8 } { 8 + 3 } } = 0 . 7 3
$$
下面我们提高分类阈值，看看产生什么样的效果，如图9-18所示。
假正例数量会减少，但假负例数量会相应地增加。结果，精确率有所提高，而召回率则有所降低，4种情况如图9-19所示。
$$
\mathrm { P r e c i s i o n } = { \frac { T P } { T P + F P } } = { \frac { 7 } { 7 + 1 } } = 0 . 8 8
$$
$$
\mathrm { R e c a l l } = { \frac { T P } { T P + F N } } = { \frac { 7 } { 7 + 4 } } = 0 . 6 4
$$
如果我们降低分类阈值（从最初始位置开始），那么产生的效果是什么样的呢？如图9-20所示。
假正例数量会增加，而假负例数量会减少。结果这一次，精确率有所降低，而召回率则有所提高，4种情况如图9-21所示。
第9章 TensorFlow 高级知识
283