Glossaire

Rappel

Apprends ce qu'est le rappel dans l'apprentissage automatique, pourquoi il est important et comment il garantit que les modèles d'IA capturent efficacement les instances positives critiques.

Entraîne les modèles YOLO simplement
avec Ultralytics HUB

En savoir plus

Le rappel est une mesure de performance clé dans l'apprentissage automatique et les statistiques, particulièrement importante dans les tâches de classification et de recherche d'informations. Il mesure la capacité d'un modèle à identifier correctement toutes les instances pertinentes d'un ensemble de données. Également connu sous le nom de sensibilité ou de taux de vrais positifs (TPR), le rappel répond à la question suivante : "Parmi toutes les instances positives réelles, combien le modèle a-t-il correctement prédit comme positives ?". Un rappel élevé est crucial dans les scénarios où le fait de manquer une instance positive (un faux négatif) a des conséquences importantes.

Concept de base

Le rappel se concentre sur les cas positifs réels au sein d'un ensemble de données et quantifie combien d'entre eux ont été capturés avec succès par le modèle. Il est calculé comme le rapport entre les vrais positifs (TP) - instances correctement identifiées comme positives - et la somme des vrais positifs et des faux négatifs (FN) - instances réellement positives mais incorrectement identifiées comme négatives. Un modèle dont le rappel est élevé identifie correctement la plupart des instances positives. Il est essentiel de comprendre le rappel pour évaluer les performances du modèle, souvent visualisé à l'aide d'une matrice de confusion.

Rappel et précision Précision

Le rappel est souvent discuté en même temps que la précision. Alors que le rappel mesure la proportion de positifs réels correctement identifiés, la précision mesure la proportion de positifs prédits qui étaient effectivement corrects (TP / (TP + Faux positifs)). Il y a souvent un compromis entre la précision et le rappel; l'optimisation de l'un peut parfois avoir un impact négatif sur l'autre.Le choix entre la priorité au rappel ou à la précision dépend de l'application spécifique :

  • Un rappel élevé est préférable lorsque le coût de l'absence d'une instance positive (faux négatif) est élevé.
  • Une précision élevée est préférable lorsque le coût de l'identification erronée d'une instance négative comme positive (faux positif) est élevé.

Le score F1 fournit une mesure unique qui équilibre à la fois la précision et le rappel.

Applications dans le monde réel

Le rappel est une mesure d'évaluation essentielle dans de nombreux domaines :

  • Analyse d'images médicales: Dans des tâches telles que la détection de tumeurs à l'aide de l'IA, un rappel élevé est vital. Passer à côté d'une tumeur maligne (un faux négatif) pourrait retarder le traitement et avoir de graves conséquences. C'est pourquoi les systèmes de diagnostic sont souvent optimisés pour une sensibilité élevée (rappel), même si cela implique de signaler certains cas bénins pour un examen plus approfondi (précision plus faible). Garantir une détection complète est primordial dans l'IA dans le domaine de la santé.
  • Détection des fraudes: Lorsqu'on construit des systèmes pour détecter des transactions financières frauduleuses, il est important de maximiser le rappel. Ne pas identifier une transaction frauduleuse (faux négatif) peut entraîner des pertes financières importantes. Bien qu'il soit également souhaitable de minimiser les fausses alertes (faux positifs), il est souvent plus important de s'assurer que la plupart des activités frauduleuses sont détectées.

Pertinence dans le domaine de la vision par ordinateur

Dans le domaine de la vision par ordinateur, le rappel est essentiel pour évaluer des tâches telles que la détection d'objets et la segmentation d'images. Pour un modèle de détection d'objet comme Ultralytics YOLOle rappel indique dans quelle mesure le modèle trouve toutes les instances d'une classe d'objets spécifique dans une image. Un rappel élevé signifie que le modèle rate rarement les objets qu'il est censé détecter. Il est généralement utilisé avec la précision et la précision moyenne (mAP) pour fournir une évaluation complète des performances de détection, comme indiqué dans les guides sur les mesures de performance deYOLO . Les outils des plateformes comme Ultralytics HUB aident les utilisateurs à suivre ces mesures pendant la formation et la validation du modèle. Comprendre le rappel aide les développeurs à affiner les modèles pour des besoins spécifiques, par exemple pour assurer une détection complète dans les systèmes d'alarme de sécurité. L'évaluation des performances implique souvent l'analyse des mesures dérivées d'une matrice de confusion et la prise en compte du contexte des ensembles de données potentiellement déséquilibrés.

Tout lire