Rückruf

Der Recall ist eine wichtige Leistungskennzahl beim maschinellen Lernen, die die Fähigkeit eines Modells misst, alle relevanten Instanzen in einem Datensatz zu identifizieren. Sie ist besonders wichtig in Szenarien, in denen das Verpassen einer positiven Instanz nachteiliger ist als die Fehlklassifizierung einer negativen Instanz. In der medizinischen Diagnostik zum Beispiel kann es schwerwiegende Folgen haben, wenn eine Krankheit nicht erkannt wird (niedrige Trefferquote), weshalb eine hohe Trefferquote entscheidend ist. Der Recall wird auch als Sensitivität oder True-Positive-Rate bezeichnet.

Die Bedeutung des Rückrufs beim maschinellen Lernen

Der Recall-Wert ist wichtig, um die Effektivität eines Modells zu bewerten, vor allem in unausgewogenen Datensätzen, in denen eine Klasse deutlich in der Überzahl ist. Ein hoher Recall-Wert zeigt an, dass das Modell die meisten positiven Instanzen korrekt identifiziert. Bei Computer-Vision-Aufgaben, wie z. B. der Objekterkennung, hilft die Rückrufquote dabei festzustellen, wie gut ein Modell alle Instanzen eines bestimmten Objekts in einem Bild oder Video finden kann. Ultralytics YOLO (You Only Look Once)-Modelle sind zum Beispiel so konzipiert, dass sie eine hohe Wiedererkennungsrate erreichen, um eine genaue Erkennung in realen Anwendungen zu gewährleisten. Mehr über Ultralytics YOLO Modelle erfährst du auf der WebsiteUltralytics .

Berechnung des Rückrufs

Die Rückrufquote wird berechnet als die Anzahl der richtig positiven Fälle geteilt durch die Summe der richtig positiven und falsch negativen Fälle. Wahre Positive sind Instanzen, die korrekt als positiv identifiziert wurden, während falsche Negative positive Instanzen sind, die das Modell fälschlicherweise als negativ klassifiziert hat. Ein höherer Recall-Wert deutet darauf hin, dass das Modell einen großen Anteil positiver Instanzen erfasst, was in vielen Anwendungen wünschenswert ist.

Recall vs. Präzision

Während der Recall die Fähigkeit misst, alle positiven Instanzen zu finden, misst die Precision die Genauigkeit der positiven Vorhersagen. Die Präzision wird berechnet als die Anzahl der richtigen positiven Vorhersagen geteilt durch die Summe der richtigen und falschen positiven Vorhersagen. Eine hohe Präzision bedeutet, dass die positiven Vorhersagen des Modells größtenteils richtig sind, während ein hoher Recall bedeutet, dass das Modell die meisten der tatsächlich positiven Fälle erfasst hat. Beide Metriken sind wichtig, und das Gleichgewicht zwischen ihnen hängt von der jeweiligen Anwendung ab. Der F1-Score ist eine weitere Kennzahl, die Präzision und Recall zu einem einzigen Wert zusammenfasst und einen harmonischen Mittelwert der beiden Werte liefert. Mehr über den F1-Score erfährst du auf der Glossar-Seite vonUltralytics .

Reale Anwendungen des Rückrufs

Medizinische Diagnose

In der medizinischen Diagnostik ist der Recall entscheidend dafür, dass Krankheiten frühzeitig und genau erkannt werden. Bei der Krebsfrüherkennung beispielsweise bedeutet eine hohe Trefferquote, dass die meisten Krebsfälle erkannt werden und das Risiko, eine Diagnose zu verpassen, sinkt. KI-Modelle, wie die von Ultralytics entwickelten, werden zunehmend im Gesundheitswesen eingesetzt, um die Diagnosegenauigkeit zu erhöhen und die Ergebnisse für die Patienten zu verbessern. Erfahre mehr über KI im Gesundheitswesen auf der Seite Ultralytics solutions.

Sicherheitssysteme

In Sicherheitssystemen ist die Rückrufquote entscheidend für die Erkennung potenzieller Bedrohungen. In Überwachungssystemen zum Beispiel sorgt eine hohe Rückrufquote dafür, dass die meisten Sicherheitsverstöße entdeckt werden, auch wenn dies mehr Fehlalarme bedeutet. Ultralytics YOLO Modelle werden in fortschrittlichen Sicherheitsanwendungen eingesetzt, um eine zuverlässige Objekterkennung und -verfolgung zu ermöglichen und die Sicherheitsmaßnahmen insgesamt zu verbessern. Erfahre mehr über den Einsatz von KI in der Sicherheit auf dem BlogUltralytics .

Verbesserung des Rückrufs

Es gibt verschiedene Techniken, um die Trefferquote von Machine-Learning-Modellen zu verbessern. Dazu gehören die Verwendung repräsentativerer Trainingsdaten, die Vergrößerung der Datenvielfalt und die Feinabstimmung der Hyperparameter des Modells. Darüber hinaus kann die Verwendung fortschrittlicher Modellarchitekturen, wie z. B. die von Ultralytics YOLO , die Wiedererkennungsrate erhöhen, indem die Fähigkeit des Modells verbessert wird, relevante Instanzen zu erkennen. Mehr über die Datenerweiterung erfährst du auf der Glossar-SeiteUltralytics .

Tools und Ressourcen

Ultralytics stellt eine Reihe von Tools und Ressourcen zur Verfügung, um die Wiedererkennung von Machine-Learning-Modellen zu verbessern. Der Ultralytics HUB bietet eine Plattform für das Training, die Validierung und den einfachen Einsatz von Modellen. Außerdem bietet die DokumentationUltralytics umfassende Anleitungen und Tutorials zu verschiedenen Aspekten der Modellentwicklung und -optimierung. Spezifische Einblicke in Leistungskennzahlen wie die Rückrufquote findest du im YOLO Leitfaden zu Leistungskennzahlen.

Weitere Informationen zu Metriken des maschinellen Lernens und ihren Anwendungen findest du in der scikit-learn-Dokumentation und in akademischen Abhandlungen zur Leistungsbewertung beim maschinellen Lernen.