Scopri cos'è il richiamo nell'apprendimento automatico, perché è importante e come assicura che i modelli di intelligenza artificiale catturino efficacemente le istanze positive critiche.
Il richiamo è un parametro di performance fondamentale nell'apprendimento automatico e nella statistica, particolarmente importante nelle attività di classificazione e di recupero delle informazioni. Misura la capacità di un modello di identificare correttamente tutte le istanze rilevanti di un set di dati. Conosciuto anche come sensibilità o tasso di veri positivi (TPR), il richiamo risponde alla domanda: "Di tutte le istanze effettivamente positive, quante sono state correttamente previste dal modello come positive?". Un alto tasso di richiamo è fondamentale negli scenari in cui la mancanza di un'istanza positiva (un falso negativo) ha conseguenze significative.
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.
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 punteggio F1 fornisce un'unica metrica che bilancia precisione e richiamo.
Il richiamo è una metrica di valutazione critica in molti campi:
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.