استرجاع

المفهوم الأساسي

يركز الاستدعاء على الحالات الإيجابية الفعلية داخل مجموعة البيانات ويحدد عدد الحالات التي تم تحديدها بنجاح بواسطة النموذج. يتم حسابها كنسبة الحالات الإيجابية الحقيقية (TP) - وهي الحالات التي تم تحديدها بشكل صحيح على أنها إيجابية - إلى مجموع الحالات الإيجابية الحقيقية والسلبيات الخاطئة (FN) - وهي الحالات التي كانت إيجابية بالفعل ولكن تم تحديدها بشكل غير صحيح على أنها سلبية. يحدد النموذج ذو التذكر العالي معظم الحالات الإيجابية بشكل صحيح. يُعد فهم التذكر أمرًا ضروريًا لتقييم أداء النموذج، وغالبًا ما يتم تصوره باستخدام مصفوفة الارتباك.

الاستدعاء مقابل. الدقة

غالبًا ما تتم مناقشة الاستدعاء جنبًا إلى جنب مع الدقة. بينما يقيس Recall نسبة الإيجابيات الفعلية التي تم تحديدها بشكل صحيح، تقيس الدقة نسبة الإيجابيات المتوقعة التي كانت صحيحة بالفعل (TP / (TP + الإيجابيات الخاطئة)). غالبًا ما تكون هناك مفاضلة بين الدقة والتذكر؛ حيث يمكن أن يؤثر تحسين أحدهما سلبًا على الآخر في بعض الأحيان، ويعتمد الاختيار بين إعطاء الأولوية للتذكر أو الدقة على التطبيق المحدد:

• يُفضل الاسترجاع المرتفع عندما تكون تكلفة فقدان حالة إيجابية (سلبية كاذبة) عالية.
• يُفضّل استخدام الدقة العالية عندما تكون تكلفة تحديد مثيل سلبي بشكل خاطئ على أنه إيجابي (False Positive) عالية.

يوفر مقياس F1 مقياسًا واحدًا يوازن بين كل من الدقة والاسترجاع.

التطبيقات الواقعية

يُعد التذكر مقياس تقييم مهم في العديد من المجالات:

• تحليل الصور الطبية: في مهام مثل الكشف عن الأورام باستخدام الذكاء الاصطناعي، يعد التذكر العالي أمرًا حيويًا. قد يؤدي إغفال ورم خبيث (سلبي كاذب) إلى تأخير العلاج مع ما يترتب على ذلك من عواقب وخيمة. لذلك، غالبًا ما يتم تحسين أنظمة التشخيص لتحقيق حساسية عالية (Recall)، حتى لو كان ذلك يعني وضع علامة على بعض الحالات الحميدة لمزيد من المراجعة (دقة أقل). إن ضمان الاكتشاف الشامل أمر بالغ الأهمية في مجال الذكاء الاصطناعي في الرعاية الصحية.
• كشف الاحتيال: عند بناء أنظمة للكشف عن المعاملات المالية الاحتيالية، من المهم تعظيم الاستدعاء. يمكن أن يؤدي الفشل في تحديد المعاملات الاحتيالية (السلبية الكاذبة) إلى خسارة مالية كبيرة. في حين أن تقليل الإنذارات الكاذبة (الإيجابيات الكاذبة) أمر مرغوب فيه أيضًا، إلا أن ضمان اكتشاف معظم الأنشطة الاحتيالية غالبًا ما تكون له الأسبقية.

الملاءمة في الرؤية الحاسوبية

في الرؤية الحاسوبية، يعد التذكر ضروريًا لتقييم مهام مثل اكتشاف الأجسام وتجزئة الصور. بالنسبة لنموذج اكتشاف كائن مثل Ultralytics YOLOيشير التذكر إلى مدى نجاح النموذج في العثور على جميع مثيلات فئة كائن معين داخل الصورة. يعني الاسترجاع العالي أن النموذج نادرًا ما يفوت الكائنات التي من المفترض أن يكتشفها. يتم استخدامه عادةً إلى جانب الدقة ومتوسط الدقة (mAP) لتوفير تقييم شامل لأداء الاكتشاف، كما هو مفصل في أدلة مقاييس أداءYOLO . تساعد الأدوات داخل المنصات مثل Ultralytics HUB المستخدمين على تتبع هذه المقاييس أثناء تدريب النموذج والتحقق من صحته. يساعد فهم الاستدعاء المطورين على ضبط النماذج بدقة لتلبية احتياجات محددة، مثل ضمان الكشف الشامل في أنظمة الإنذار الأمني. وغالباً ما يتضمن تقييم الأداء تحليل المقاييس المستمدة من مصفوفة الارتباك والنظر في سياق مجموعات البيانات التي يحتمل أن تكون غير متوازنة.