Richiamo

Concetto di base

Il richiamo si concentra sui casi effettivamente positivi all'interno di un set di dati e quantifica quanti di questi sono stati catturati con successo dal modello. Viene calcolato come il rapporto tra i Veri Positivi (TP) - istanze correttamente identificate come positive - e la somma dei Veri Positivi e dei Falsi Negativi (FN) - istanze effettivamente positive ma erroneamente identificate come negative. Un modello con un alto Recall identifica correttamente la maggior parte delle istanze positive. La comprensione del richiamo è essenziale per valutare le prestazioni del modello, spesso visualizzate con una matrice di confusione.

Richiamo Vs. Precisione

Il richiamo viene spesso discusso insieme alla precisione. Mentre il Richiamo misura la percentuale di positivi effettivi identificati correttamente, la Precisione misura la percentuale di positivi previsti che sono stati effettivamente corretti (TP / (TP + Falsi Positivi)). Spesso esiste un compromesso tra Precisione e Richiamo; l'ottimizzazione di uno dei due può talvolta avere un impatto negativo sull'altro. La scelta tra privilegiare il Richiamo o la Precisione dipende dall'applicazione specifica:

• Il richiamo elevato è preferibile quando il costo della mancanza di un'istanza positiva (falso negativo) è elevato.
• L'alta precisione è preferibile quando il costo dell'errata identificazione di un'istanza negativa come positiva (falso positivo) è elevato.

Il punteggio F1 fornisce un'unica metrica che bilancia precisione e richiamo.

Applicazioni del mondo reale

Il richiamo è una metrica di valutazione critica in molti campi:

• Analisi delle immagini mediche: In compiti come il rilevamento dei tumori utilizzando l'intelligenza artificiale, un elevato richiamo è fondamentale. Non riconoscere un tumore maligno (un falso negativo) potrebbe ritardare il trattamento con gravi conseguenze. Per questo motivo, i sistemi diagnostici sono spesso ottimizzati per ottenere un'elevata sensibilità (richiamo), anche se ciò significa segnalare alcuni casi benigni per un'ulteriore analisi (minore precisione). Garantire un rilevamento completo è fondamentale per l'IA nell'assistenza sanitaria.
• Rilevamento delle frodi: Quando si costruiscono sistemi per rilevare transazioni finanziarie fraudolente, è importante massimizzare il richiamo. La mancata identificazione di una transazione fraudolenta (Falso Negativo) può portare a una perdita finanziaria significativa. Sebbene sia auspicabile ridurre al minimo i falsi allarmi (Falsi Positivi), la garanzia di individuare la maggior parte delle attività fraudolente ha spesso la precedenza.

Rilevanza nella visione artificiale

Nella computer vision, il richiamo è essenziale per valutare compiti come il rilevamento di oggetti e la segmentazione di immagini. Per un modello di rilevamento di oggetti come Ultralytics YOLOil richiamo indica la capacità del modello di trovare tutte le istanze di una specifica classe di oggetti all'interno di un'immagine. Un'elevata Recall significa che il modello raramente sbaglia gli oggetti che dovrebbe rilevare. Viene comunemente utilizzato insieme alla precisione e alla precisione media (mAP) per fornire una valutazione completa delle prestazioni di rilevamento, come illustrato nelle guide sulle metriche delle prestazioniYOLO . Gli strumenti di piattaforme come Ultralytics HUB aiutano gli utenti a tenere traccia di queste metriche durante l'addestramento e la convalida del modello. La comprensione del richiamo aiuta gli sviluppatori a mettere a punto i modelli per esigenze specifiche, ad esempio per garantire un rilevamento completo nei sistemi di allarme di sicurezza. La valutazione delle prestazioni spesso comporta l'analisi delle metriche derivate da una matrice di confusione e la considerazione del contesto di set di dati potenzialmente sbilanciati.