용어집

리콜

머신 러닝에서 리콜이 무엇인지, 왜 중요한지, AI 모델이 중요한 긍정적 사례를 효과적으로 포착하는 방법을 알아보세요.

민감도 또는 진양성률이라고도 하는 리콜은 머신 러닝(ML) 및 통계의 기본적인 평가 지표입니다. 이는 데이터 세트 내의 모든 관련 인스턴스를 정확하게 식별하는 모델의 능력을 측정합니다. 간단히 말해서, Recall은 다음과 같은 질문에 대한 답을 제공합니다: "실제 양성 인스턴스 중 모델이 양성으로 정확하게 예측한 인스턴스는 몇 개입니까?"라는 질문에 대한 답변입니다. Recall 점수가 높다는 것은 모델이 찾아야 할 것을 효과적으로 찾아내어 놓친 양성 사례(오탐)의 수를 최소화한다는 것을 의미합니다. 이 메트릭은 양성 사례를 탐지하지 못하면 심각한 결과를 초래하는 애플리케이션에서 특히 중요합니다.

높은 회상률의 중요성

많은 실제 시나리오에서 오탐(탐지 누락)으로 인한 비용이 오탐(거짓 경보)으로 인한 비용보다 훨씬 높습니다. 바로 이 때문에 높은 재검색률을 우선순위에 두는 것이 필수적입니다. 예를 들어, 의료 이미지 분석이나 사기 탐지와 같은 작업에서 높은 리콜 모델은 일부 비사례가 잘못 플래그가 지정되더라도 추가 검토를 위해 가능한 한 많은 실제 사례를 캡처할 수 있도록 합니다.

  • 의료 진단: 의료 스캔에서 암을 감지하는 AI 기반 시스템에서는 높은 리콜 모델이 매우 중요합니다. 암 종양을 놓쳐 생명을 구할 수 있는 치료가 지연되는 것(위양성)보다 시스템이 건강한 환자를 방사선 전문의의 검토를 위해 플래그를 지정하는 것(위음성)이 훨씬 낫습니다. 의료 솔루션 의 많은 AI는 고감도에 최적화되어 있습니다.
  • 보안 및 감시: 침입자를 감지하도록 설계된 보안 경보 시스템의 경우, 높은 리콜률이 가장 중요합니다. 시스템은 때때로 길 잃은 동물을 침입자로 오인하더라도 모든 잠재적 위협을 식별해야 합니다. 진정한 보안 침입을 놓치면 시스템의 효율성이 떨어집니다.

울트라리틱스 YOLO 모델에서의 리콜

컴퓨터 비전(CV)Ultralytics YOLO와 같은 모델에서 정확도 및 평균 정밀도(mAP) 와 함께 객체 감지인스턴스 세분화와 같은 작업의 성능을 평가하는 데 사용되는 핵심 메트릭이 바로 Recall입니다. Recall과 Precision 사이의 균형을 잘 맞추는 것은 강력한 실제 성능을 위해 필수적인 경우가 많습니다. 예를 들어, YOLOv8과 YOLO11 같은 모델을 비교할 때 Recall은 각 모델이 모든 대상 객체를 얼마나 잘 식별하는지 파악하는 데 도움이 됩니다. 사용자는 파이토치나 텐서플로우와 같은 프레임워크를 사용해 사용자 지정 모델을 훈련하고 가중치 및 편향과 같은 도구나 울트라틱스 허브의 통합 기능을 사용해 리콜을 추적할 수 있습니다. 리콜을 이해하면 특정 사용 사례에 맞게 모델을 최적화하는 데 도움이 되며, 하이퍼파라미터를 조정하거나 YOLOv10 또는 최신 YOLO11과 같은 다양한 모델 아키텍처를 탐색할 수도 있습니다. Ultralytics 문서와 같은 리소스에서는 교육 및 평가에 대한 포괄적인 가이드를 제공합니다.

리콜과 다른 지표 비교

리콜을 다른 일반적인 평가 지표와 차별화하는 것이 중요합니다.

  • 정밀도: 리콜이 모든 양성 샘플을 찾는 데 중점을 두는 반면, 정밀도는 양성 예측의 정확도를 측정합니다. 다음과 같이 대답합니다: "모델이 양성으로 예측한 모든 사례 중 실제로 양성으로 판정된 사례는 몇 개입니까?" 정확도와 회수율 사이에는 종종 상충 관계가 있으며, 정확도를 높이면 회수율이 낮아질 수 있습니다. 이 개념을 정확도-회상률 트레이드오프라고 합니다.
  • 정확도: 정확한 예측의 전체 비율(긍정 및 부정 모두)을 측정합니다. 정확도는 한 클래스가 다른 클래스보다 훨씬 많은 불균형 데이터 세트의 경우 오해의 소지가 있는 지표가 될 수 있습니다. 예를 들어, 99%의 부정 샘플이 있는 데이터 세트에서 모든 것을 부정으로 예측하는 모델은 99%의 정확도를 달성하지만 긍정 클래스에 대한 재인용률은 0입니다.
  • F1-Score: 정확도와 회수율의 조화 평균입니다. F1-Score는 두 지표의 균형을 맞추는 단일 수치를 제공하므로 오탐과 오탐을 모두 고려해야 할 때 유용한 척도입니다. 클래스 분포가 고르지 않을 때 자주 사용됩니다.
  • 곡선 아래 면적(AUC): 특히 이진 분류의 경우, 수신자 운영 특성(ROC) 곡선은 오탐률에 대한 진양성률(Recall)을 표시합니다. AUC는 모든 분류 임계값에 걸쳐 모델의 성능을 요약한 단일 점수를 제공합니다. 정밀도-재콜 곡선(AUC-PR) 아래 영역은 종종 불균형 분류 작업에 대해 더 많은 정보를 제공합니다.

울트라 애널리틱스 커뮤니티 가입

AI의 미래와 함께하세요. 글로벌 혁신가들과 연결, 협업, 성장하기

지금 가입하기
링크가 클립보드에 복사됨