1. Метод 1: использование функции metrics.recall_scoreScikit-learn:

   from sklearn.metrics import recall_score
   def calculate_recall_at_k(true_labels, predicted_labels, k):
   top_k_predicted = predicted_labels[:k]
   return recall_score(true_labels, top_k_predicted)

2. Метод 2: вычисление отзыва вручную при k:

   def calculate_recall_at_k(true_labels, predicted_labels, k):
   top_k_predicted = predicted_labels[:k]
   relevant_items = sum(true_labels)
   true_positives = sum(top_k_predicted * true_labels[:k])
   return true_positives / relevant_items

3. Метод 3. Использование NumPy и Scikit-learn:

   import numpy as np
   from sklearn.metrics import recall_score
   def calculate_recall_at_k(true_labels, predicted_labels, k):
   top_k_indices = np.argsort(predicted_labels)[-k:]
   top_k_predicted = predicted_labels[top_k_indices]
   top_k_true_labels = true_labels[top_k_indices]
   return recall_score(top_k_true_labels, top_k_predicted)

Эти методы рассчитывают запоминаемость при k, которая измеряет долю релевантных элементов среди предсказанных меток из топ-k.