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.
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.
컴퓨터 비전(CV) 및 Ultralytics YOLO와 같은 모델에서 정확도 및 평균 정밀도(mAP) 와 함께 객체 감지 및 인스턴스 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.
리콜을 다른 일반적인 평가 지표와 차별화하는 것이 중요합니다.