리콜은 데이터 세트 내에서 모든 관련 인스턴스를 식별하는 모델의 능력을 측정하는 머신 러닝의 핵심 성능 지표입니다. 긍정적인 인스턴스를 놓치는 것이 부정적인 인스턴스를 잘못 분류하는 것보다 더 해로운 시나리오에서 특히 중요합니다. 예를 들어, 의료 진단에서는 질병을 감지하지 못하면(낮은 회상률) 심각한 결과를 초래할 수 있으므로 높은 회상률이 매우 중요합니다. 리콜은 민감도 또는 진양성률이라고도 합니다.
특히 한 클래스가 다른 클래스보다 훨씬 많은 불균형 데이터 세트에서 모델의 효율성을 평가할 때 리콜은 필수적입니다. 리콜 점수가 높다는 것은 모델이 대부분의 긍정적인 인스턴스를 정확하게 식별하고 있음을 나타냅니다. 객체 감지와 같은 컴퓨터 비전 작업에서 리콜은 모델이 이미지나 비디오에서 특정 객체의 모든 인스턴스를 얼마나 잘 찾을 수 있는지를 결정하는 데 도움이 됩니다. Ultralytics YOLO 예를 들어, (You Only Look Once) 모델은 실제 애플리케이션에서 정확한 감지를 보장하기 위해 높은 리콜을 달성하도록 설계되었습니다. Ultralytics YOLO 모델에 대한 자세한 내용은 Ultralytics 웹사이트를 참조하세요.
리콜은 정탐 수를 정탐과 오탐의 합으로 나눈 값으로 계산됩니다. 정탐은 긍정으로 정확하게 식별된 인스턴스이고, 오탐은 모델이 부정으로 잘못 분류한 긍정 인스턴스입니다. 리콜 값이 높을수록 모델이 긍정적인 인스턴스를 많이 포착하고 있음을 의미하며, 이는 많은 애플리케이션에서 바람직한 현상입니다.
리콜은 모든 긍정적인 사례를 찾아내는 능력을 측정하는 반면, 정확도는 긍정적인 예측의 정확도를 측정합니다. 정확도는 정탐 수를 정탐과 오탐의 합으로 나눈 값으로 계산됩니다. 정확도가 높다는 것은 모델의 긍정적인 예측이 대부분 정확하다는 것을 의미하며, 재현율이 높다는 것은 모델이 실제 긍정적인 사례를 대부분 포착한다는 것을 의미합니다. 두 지표 모두 중요하며, 두 지표 간의 균형은 특정 애플리케이션에 따라 달라집니다. F1-점수는 정확도와 회수율을 단일 값으로 결합하여 두 지표의 조화 평균을 제공하는 또 다른 지표입니다. F1-점수에 대한 자세한 내용은 Ultralytics 용어집 페이지에서 확인하세요.
의료 진단에서 리콜은 질병을 조기에 정확하게 발견하는 데 매우 중요합니다. 예를 들어, 암 검진에서 높은 리콜률은 대부분의 암 사례를 식별하여 진단을 놓칠 위험을 줄입니다. Ultralytics 에서 개발한 모델을 포함한 AI 모델은 진단 정확도를 높이고 환자 치료 결과를 개선하기 위해 의료 분야에서 점점 더 많이 사용되고 있습니다. 의료 분야의 AI에 대해 자세히 알아보려면 Ultralytics 솔루션 페이지에서 확인하세요.
보안 시스템에서 리콜은 잠재적인 위협을 탐지하는 데 필수적입니다. 예를 들어, 감시 시스템에서 높은 리콜률은 오경보가 더 많이 발생하더라도 대부분의 보안 침해를 탐지할 수 있도록 합니다. Ultralytics YOLO 모델은 고급 보안 애플리케이션에서 안정적인 객체 탐지 및 추적을 제공하여 전반적인 보안 조치를 강화하는 데 사용됩니다. 보안에서의 AI 활용에 대한 자세한 내용은 Ultralytics 블로그에서 확인하세요.
머신러닝 모델의 회상률을 향상시키기 위해 여러 가지 기술을 사용할 수 있습니다. 여기에는 더 많은 대표 학습 데이터를 사용하고, 데이터 증강을 적용하여 데이터 세트의 다양성을 높이고, 모델의 하이퍼파라미터를 미세 조정하는 것이 포함됩니다. 또한 Ultralytics YOLO 과 같은 고급 모델 아키텍처를 사용하면 관련 인스턴스를 감지하는 모델의 기능을 개선하여 회상률을 높일 수 있습니다. 데이터 증강에 대한 자세한 내용은 Ultralytics 용어집 페이지에서 확인하세요.
Ultralytics 는 머신러닝 모델의 기억력을 향상시키는 데 도움이 되는 도구와 리소스를 제공합니다. Ultralytics 허브는 모델을 쉽게 훈련하고, 검증하고, 배포할 수 있는 플랫폼을 제공합니다. 또한 Ultralytics 문서에서는 모델 개발 및 최적화의 다양한 측면에 대한 포괄적인 가이드와 튜토리얼을 제공합니다. 리콜과 같은 성능 메트릭에 대한 구체적인 인사이트는 YOLO 성능 메트릭 가이드를 참조하세요.
머신 러닝 메트릭과 그 적용에 대한 자세한 내용은 scikit-learn 설명서 및 머신 러닝의 성능 평가에 관한 학술 논문과 같은 리소스를 살펴보세요.
.png)