Eu estou familiarizado com terminologia diferente. O que você chama de precisão gostaria de valor preditivo positivo (PPV). E o que você chama de recall, eu chamaria de sensibilidade (Sens). :
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
No caso de sensibilidade (recall), se o denominador for zero (como Amro aponta), NÃO há casos positivos, portanto a classificação não tem sentido. (Isso não impede que TP ou FN sejam zero, o que resultaria em uma sensibilidade limitante de 1 ou 0. Esses pontos estão respectivamente nos cantos superior direito e inferior esquerdo da curva ROC - TPR = 1 e TPR = 0. )
O limite de PPV é significativo. É possível que o corte do teste seja definido como alto (ou baixo) para que todos os casos sejam previstos como negativos. Isso está na origem da curva ROC. O valor limite do VPP imediatamente antes do corte atingir a origem pode ser estimado considerando o segmento final da curva ROC imediatamente antes da origem. (Pode ser melhor modelar, pois as curvas ROC são notoriamente barulhentas.)
Por exemplo, se houver 100 positivos reais e 100 negativos reais e o segmento final da curva ROC se aproximar de TPR = 0,08, FPR = 0,02, o PPV limitante seria PPR ~ 0,08 * 100 / (0,08 * 100 + 0,02 * 100 ) = 8/10 = 0,8, ou seja, 80% de probabilidade de ser um verdadeiro positivo.
Na prática, cada amostra é representada por um segmento na curva ROC - horizontal para um negativo real e vertical para um positivo real. Pode-se estimar o PPV limitante pelo último segmento antes da origem, mas isso daria um PPV limitante estimado de 1, 0 ou 0,5, dependendo se a última amostra foi um positivo verdadeiro, um positivo falso (negativo real) ou feito de um TP e um FP iguais. Uma abordagem de modelagem seria melhor, talvez supondo que os dados sejam binormais - uma suposição comum, por exemplo:
http://mdm.sagepub.com/content/8/3/197.short