機械学習におけるRecallとは何か、なぜそれが重要なのか、そしてAIモデルが重要なポジティブ・インスタンスを効果的に捕捉するためにはどうすればよいのかを学ぶ。
機械学習、特に分類や物体検出の分野では、Recallは、データセットから関連するインスタンスをすべて識別するモデルの能力に関する洞察を提供する重要な指標である。これは質問に答える：「すべての実際の陽性ケースのうち、モデルはいくつを正しく識別できたか？Recallを理解することは、AIモデルの有効性を評価するために不可欠であり、特にポジティブなインスタンスの検出に失敗すると重大な結果を招く可能性があるアプリケーションでは重要です。
Recallは、しばしばSensitivityと呼ばれ、すべてのポジティブ・インスタンスを発見するモデルの能力を定量化する指標である。これは、真陽性（TP）と偽陰性（FN）の合計の比率として計算されます。簡単に言うと、False Negatives（偽陰性）を最小化することである。Recallスコアが高いということは、モデルが実際の陽性の事例の大部分を捕捉するのに有効で、重要な陽性の事例を見逃すリスクを低減していることを示します。
例えば、以下のようなモデルを使用する物体検出タスクでは、高い想起は、モデルが画像内の関心のある物体のほとんどを見つけるのに長けていることを意味する。 Ultralytics YOLOv8のようなモデルを使用する物体検出タスクでは、高いリコールは、モデルが画像内の関心のある物体のほとんどを見つけることに長けていることを意味します。
リコールは、陽性インスタンスを見逃すことが偽陽性の場合よりもコストがかかるようなシナリオでは特に重要である。病気検出のための医療画像解析を考えてみよう。例えばがん検診では、高いRecallが最も重要である。誤報を減らすためにがん症例を見逃してしまうことよりも、実際のがん症例をすべて識別することの方が重要です（たとえ健康な人が誤ってフラグを立てられ、さらなる調査が必要になるとしても）。陽性症例（偽陰性）を見逃すと、治療が遅れ、健康に深刻な影響を及ぼす可能性がある。
リコールが重要なもう1つの分野は、盗難防止のためのコンピュータ・ビジョン・アプリケーションなどのセキュリティ・システムです。小売店のセキュリティでは、Recallを最大化することで、システムが可能な限り多くの盗難の可能性を検出することができます。アラームの誤作動（False Positives）は多少発生するかもしれませんが、実際の盗難事件（False Negative）を検出できないと、大きな金銭的損失につながります。そのため、リコールに優先順位をつけることが、効果的なセキュリティ実装の鍵となります。
Recallが正の予測の完全性に焦点を当てるのに対し、Precisionは正の予測の正確さを測定する。Precisionはこれに答えます：「モデルが陽性と予測したすべての事例のうち、実際に陽性であったのはいくつですか？高いPrecisionスコアは、モデルが陽性の結果を予測するとき、それが正しい可能性が非常に高く、False Positivesを最小化することを意味します。
一方、精度は、真陽性、真陰性、偽陽性、偽陰性の両方を考慮し、正しさの総合的な尺度を提供する。Accuracyは、クラスのバランスが取れているときには有用ですが、一方のクラスが他方のクラスを大きく上回っているような不均衡なデータセットを扱うときには、誤解を招く可能性があります。
多くの実世界のシナリオでは、PrecisionとRecallはトレードオフの関係にある。Recallを上げるとPrecisionが下がったり、その逆もあります。F1スコアはPrecisionとRecallのバランスをとる指標であり、両者の調和平均を提供する。適切な指標を選択するかどうかは、特定のアプリケーションと、偽陽性と偽陰性の相対的なコストに依存します。モデル評価をより深く掘り下げるには、YOLO パフォーマンス・メトリクスを探求することで、貴重な洞察を得ることができます。
医療やセキュリティの用途にとどまらず、リコールはさまざまなAI主導のシステムで重要な役割を果たしている：
要約すると、Recallは機械学習において重要な評価指標であり、特に正のインスタンスを見逃すコストが高い場合に重要である。Recallを理解し最適化することで、開発者はUltralytics HUBのようなツールやプラットフォームを使って、多様なアプリケーションにおいてより効果的で信頼性の高いAIシステムを構築することができる。
