リコール

Recallは機械学習における重要なパフォーマンス指標であり、データセット内のすべての関連するインスタンスを識別するモデルの能力を測定する。これは、肯定的なインスタンスを見逃すことが、否定的なインスタンスを誤分類することよりも有害なシナリオにおいて特に重要である。例えば医療診断では、病気の検出に失敗する（リコールが低い）と深刻な結果を招くことがあり、高いリコールが重要になります。リコールは感度または真陽性率としても知られる。

機械学習における想起の重要性

リコールは、モデルの有効性を評価するために不可欠であり、特に1つのクラスが他のクラスよりも著しく多い不均衡なデータセットにおいて重要である。高いリコール・スコアは、モデルが正のインスタンスのほとんどを正しく識別していることを示す。物体検出のようなコンピュータ・ビジョンのタスクでは、リコールは、モデルが画像やビデオ内の特定の物体のすべてのインスタンスをどれだけ見つけることができるかを判断するのに役立ちます。Ultralytics YOLO (例えば、You Only Look Once）モデルは、実世界のアプリケーションで正確な検出を確実にするために、高い想起を達成するように設計されています。Ultralytics YOLO モデルの詳細については、Ultralytics ウェブサイトをご覧ください。

リコール計算

回収率は、真陽性の数を真陽性と偽陰性の合計で割ったものとして計算される。真陽性は、正しく陽性と識別されたインスタンスであり、偽陰性は、モデルが誤って陰性と分類した陽性インスタンスである。高いリコール値は、モデルが多くの比率のポジティブ・インスタンスを捕捉していることを示唆し、これは多くのアプリケーションで望ましい。

リコール対精度

想起がすべての陽性インスタンスを見つける能力を測定するのに対して、精度は陽性予測の精度を測定する。精度は、真の陽性の数を真の陽性と偽陽性の合計で割ったものとして計算される。高い精度は、モデルの陽性予測がほとんど正しいことを意味し、高い想起は、モデルが実際の陽性インスタンスのほとんどを捉えていることを意味する。どちらの指標も重要で、そのバランスは特定のアプリケーションに依存する。F1スコアは、精度とリコールを1つの値に統合し、2つの調和平均を提供するもう1つの指標です。F1スコアの詳細については、Ultralytics の用語集ページをご覧ください。

リコールの実世界での応用

医療診断

医療診断において、リコールは病気を早期かつ正確に発見するために極めて重要である。例えば、がん検診では、想起率が高ければ、ほとんどのがん症例が特定され、診断漏れのリスクを低減できる。Ultralytics によって開発されたものを含むAIモデルは、診断精度を高め、患者の転帰を改善するために、ヘルスケアでますます使用されるようになっています。ヘルスケアにおけるAIの詳細については、Ultralytics ソリューションページをご覧ください。

セキュリティ・システム

セキュリティシステムにおいて、リコールは潜在的な脅威を検知するために不可欠です。例えば、監視システムでは、高い想起により、たとえ誤報が多くなるとしても、ほとんどのセキュリティ侵害が確実に検出されます。Ultralytics YOLO モデルは、高度なセキュリティ・アプリケーションで使用され、信頼性の高い物体検出と追跡を提供し、全体的なセキュリティ対策を強化します。セキュリティにおけるAIの活用については、Ultralytics ブログをご覧ください。

リコール向上

機械学習モデルの再現性を向上させるために、いくつかのテクニックを採用することができる。これには、より代表的な訓練データの使用、データ集合の多様性を高めるためのデータ補強の適用、モデルのハイパーパラメータの微調整などが含まれる。さらに、Ultralytics YOLO のような高度なモデル・アーキテクチャを採用することで、関連するインスタンスを検出するモデルの能力を向上させ、再現率を高めることができます。Ultralytics の用語集ページでデータ増強の詳細をご覧ください。

ツールとリソース

Ultralytics は、機械学習モデルのリコール向上を支援するツールやリソースのスイートを提供します。Ultralytics HUBは、モデルのトレーニング、検証、デプロイを簡単に行うためのプラットフォームを提供します。さらに、Ultralytics ドキュメントは、モデル開発と最適化の様々な側面に関する包括的なガイドとチュートリアルを提供します。リコールなどのパフォーマンス・メトリクスに関する具体的な洞察については、YOLO パフォーマンス・メトリクス・ガイドをご覧ください。

機械学習のメトリクスとその応用に関するさらなる情報については、scikit-learnのドキュメントや機械学習の性能評価に関する学術論文などのリソースを調べることができます。