Rückruf

Kernkonzept

Der Recall konzentriert sich auf die tatsächlich positiven Fälle innerhalb eines Datensatzes und gibt an, wie viele davon erfolgreich vom Modell erfasst wurden. Sie wird berechnet als das Verhältnis von True Positives (TP) - richtig als positiv erkannte Fälle - zur Summe von True Positives und False Negatives (FN) - Fälle, die tatsächlich positiv waren, aber fälschlicherweise als negativ erkannt wurden. Ein Modell mit einem hohen Recall identifiziert die meisten positiven Instanzen korrekt. Der Recall ist wichtig für die Bewertung der Modellleistung, die oft mithilfe einer Konfusionsmatrix dargestellt wird.

Recall vs. Precision Präzision

Recall wird oft zusammen mit Precision diskutiert. Während Recall den Anteil der tatsächlich richtig identifizierten Positiven misst, misst Precision den Anteil der vorhergesagten Positiven, die tatsächlich richtig waren (TP / (TP + False Positives)). Oft gibt es einen Kompromiss zwischen Precision und Recall; eine Optimierung für das eine kann sich manchmal negativ auf das andere auswirken.Die Entscheidung, ob Recall oder Precision Priorität hat, hängt von der jeweiligen Anwendung ab:

• Ein hoher Recall wird bevorzugt, wenn die Kosten für das Übersehen einer positiven Instanz (falsches Negativ) hoch sind.
• Eine hohe Präzision wird bevorzugt, wenn die Kosten für die fälschliche Identifizierung einer negativen Instanz als positiv (False Positive) hoch sind.

Der F1-Score ist eine einzige Metrik, die sowohl Precision als auch Recall ausgleicht.

Anwendungen in der realen Welt

Die Rückrufquote ist in vielen Bereichen ein wichtiger Bewertungsmaßstab:

• Medizinische Bildanalyse: Bei Aufgaben wie der Tumorerkennung mithilfe von KI ist ein hoher Recall entscheidend. Wird ein bösartiger Tumor übersehen (ein falsches Negativ), kann dies die Behandlung verzögern und schwerwiegende Folgen haben. Daher werden Diagnosesysteme oft für eine hohe Sensitivität (Recall) optimiert, auch wenn dies bedeutet, dass einige gutartige Fälle zur weiteren Überprüfung markiert werden (geringere Precision). Die Sicherstellung einer umfassenden Erkennung ist für KI im Gesundheitswesen von größter Bedeutung.
• Betrugsaufdeckung: Bei der Entwicklung von Systemen zur Aufdeckung betrügerischer Finanztransaktionen ist es wichtig, den Rückruf zu maximieren. Wird eine betrügerische Transaktion nicht erkannt (False Negative), kann dies zu erheblichen finanziellen Verlusten führen. Die Minimierung von Fehlalarmen (False Positives) ist zwar auch wünschenswert, aber die Sicherstellung, dass die meisten betrügerischen Aktivitäten erkannt werden, hat oft Vorrang.

Relevanz in der Computer Vision

In der Computer Vision ist der Recall für die Bewertung von Aufgaben wie der Objekterkennung und der Bildsegmentierung unerlässlich. Für ein Objekterkennungsmodell wie Ultralytics YOLOgibt der Recall an, wie gut das Modell alle Instanzen einer bestimmten Objektklasse in einem Bild findet. Ein hoher Recall bedeutet, dass das Modell nur selten Objekte übersieht, die es eigentlich erkennen sollte. Er wird häufig zusammen mit Precision und Mean Average Precision (mAP) verwendet, um eine umfassende Bewertung der Erkennungsleistung zu erhalten, wie in den Anleitungen zu den YOLO beschrieben. Tools auf Plattformen wie Ultralytics HUB helfen den Nutzern, diese Metriken während der Modellschulung und -validierung zu verfolgen. Das Verständnis des Rückrufs hilft den Entwicklern, die Modelle auf bestimmte Anforderungen abzustimmen, z. B. um eine umfassende Erkennung in Sicherheitsalarmsystemen sicherzustellen. Die Bewertung der Leistung beinhaltet oft die Analyse von Metriken, die aus einer Konfusionsmatrix abgeleitet werden, und die Berücksichtigung des Kontexts von potenziell unausgewogenen Datensätzen.