머신 러닝에서 리콜은 특히 분류 작업에서 모델의 성능을 평가하는 데 사용되는 중요한 지표입니다. 이는 모델이 데이터 세트에서 모든 관련 인스턴스를 식별하는 능력을 측정합니다. 리콜은 의료 진단이나 보안 시스템과 같이 긍정적인 인스턴스를 놓치면 심각한 결과를 초래할 수 있는 시나리오에서 특히 중요합니다.
민감도 또는 진양성률이라고도 하는 리콜은 전체 실제 양성 건수 중 진양성 건수의 비율로 정의됩니다. 기본적으로 데이터 세트에서 모든 관련 인스턴스를 검색할 수 있는 모델의 능력을 반영합니다. 리콜률이 높으면 모델이 대부분의 긍정적인 사례를 식별할 수 있음을 의미하고, 리콜률이 낮으면 관련 사례를 많이 놓치고 있음을 나타냅니다.
의료 환경에서 리콜은 질병에 걸린 환자를 정확하게 식별하는 데 매우 중요합니다. 예를 들어, 암 진단에서 진양성(암에 걸린 환자)을 놓치면 건강에 심각한 결과를 초래할 수 있습니다. 위음성을 최소화하기 위해서는 리콜률이 높은 시스템이 선호됩니다.
리콜은 모든 무단 액세스 사례를 식별하는 것이 필수적인 침입 탐지 시스템과 같은 보안 애플리케이션에서 매우 중요합니다. 리콜이 낮은 시스템은 일부 보안 침해를 탐지하지 못하여 심각한 취약점으로 이어질 수 있습니다.
정확도는 모델 평가에서 또 다른 중요한 지표인 정확도와 함께 자주 논의됩니다. 정확도는 모든 관련 인스턴스를 식별하는 데 초점을 맞추는 반면, 회수율은 모델이 예측한 긍정적 예측의 정확도를 측정합니다. 모델이 많은 부정적 사례를 긍정 사례로 잘못 분류하면 정확도는 낮으면서도 높은 회수율을 가질 수 있습니다. 정확도에 대한 자세한 내용은 Ultralytics 정확도 용어집을 참조하세요.
F1 점수는 일반적으로 리콜과 정확도의 균형을 맞추는 데 사용되며, 두 가지 측면을 모두 고려하는 단일 지표를 제공합니다. F1 점수는 정밀도와 정확도의 조화 평균으로, 모델의 성능을 보다 종합적으로 파악할 수 있습니다. F1 점수에 대해 자세히 알아보세요.
혼동 행렬은 정탐, 오탐, 정탐, 오탐을 표시하여 리콜을 시각화하는 데 도움이 됩니다. 이 매트릭스는 모델이 오류를 일으킬 수 있는 위치에 대한 인사이트를 제공합니다. 혼동 행렬을 살펴보고 그 구조와 활용에 대해 알아보세요.
수신자 운영 특성(ROC) 곡선은 모델의 회상률과 오탐률을 그래픽으로 표현한 것입니다. 이진 분류 문제에 대한 최적의 임계값을 선택하는 데 도움이 됩니다. ROC 곡선에 대한 자세한 내용은 AI의 ROC 곡선에서 알아보세요.
질병 탐지에 사용되는 의료 분야의 AI 모델은 진단 누락을 최소화하기 위해 높은 리콜률에 크게 의존합니다. 예를 들어, 영상의학에서 AI는 영상의학에서의 AI 애플리케이션에서 설명한 것처럼 의료 영상 촬영의 정확성과 효율성을 향상시킬 수 있습니다.
농업에서 해충 탐지에 AI를 사용하려면 해충의 침입을 놓치지 않으려면 높은 회수율이 필요하며, 이는 심각한 농작물 피해로 이어질 수 있습니다. 농업에서의 AI를 통해 AI가 농업을 어떻게 혁신하는지 자세히 알아보세요.
특히 모든 관련 인스턴스를 식별하는 것이 중요한 머신러닝 모델을 평가할 때 정확도는 매우 중요한 지표입니다. 정확도 및 F1 점수와 같은 다른 메트릭과 함께 리콜에 대한 포괄적인 이해는 강력한 모델을 구축하는 데 필수적입니다. AI 모델과 그 성능에 대해 더 자세히 알아보고 싶다면 Ultralytics 블로그에서 실제 AI 애플리케이션에 대한 인사이트를 확인하세요.
