Recall

Conceito principal

A recuperação centra-se nos casos positivos reais num conjunto de dados e quantifica quantos deles foram capturados com êxito pelo modelo. É calculada como o rácio de Verdadeiros Positivos (TP) - instâncias corretamente identificadas como positivas - para a soma de Verdadeiros Positivos e Falsos Negativos (FN) - instâncias que eram realmente positivas mas incorretamente identificadas como negativas. Um modelo com um Recall elevado identifica corretamente a maioria das instâncias positivas. Entender o Recall é essencial para avaliar o desempenho do modelo, muitas vezes visualizado usando uma Matriz de confusão.

Recuperação Vs. Precisão

A recuperação é frequentemente discutida juntamente com a precisão. Enquanto a Recuperação mede a proporção de positivos reais corretamente identificados, a Precisão mede a proporção de positivos previstos que estavam realmente corretos (TP / (TP + falsos positivos)). Muitas vezes, existe um compromisso entre a precisão e a recuperação; a otimização de uma pode, por vezes, ter um impacto negativo na outra. A escolha entre dar prioridade à recuperação ou à precisão depende da aplicação específica:

• A Recuperação elevada é preferida quando o custo de perder uma instância positiva (Falso negativo) é elevado.
• A precisão elevada é preferida quando o custo de identificar erradamente uma instância negativa como positiva (falso positivo) é elevado.

A pontuação F1 fornece uma métrica única que equilibra a precisão e a recuperação.

Aplicações no mundo real

A recordação é uma métrica de avaliação crítica em muitos domínios:

• Análise de imagens médicas: Em tarefas como a deteção de tumores com recurso à IA, é vital um Recall elevado. A não deteção de um tumor maligno (um falso negativo) pode atrasar o tratamento com consequências graves. Por isso, os sistemas de diagnóstico são frequentemente optimizados para uma elevada Sensibilidade (Recuperação), mesmo que isso signifique assinalar alguns casos benignos para análise posterior (menor Precisão). Garantir uma deteção abrangente é fundamental na IA nos cuidados de saúde.
• Deteção de fraudes: Ao criar sistemas para detetar transacções financeiras fraudulentas, é importante maximizar a recuperação. A não identificação de uma transação fraudulenta (Falso Negativo) pode levar a perdas financeiras significativas. Embora a minimização de falsos alarmes (falsos positivos) também seja desejável, a prioridade é garantir que a maioria das actividades fraudulentas seja detectada.

Relevância na visão computacional

Na visão computacional, o Recall é essencial para avaliar tarefas como a deteção de objectos e a segmentação de imagens. Para um modelo de deteção de objectos como o Ultralytics YOLOindica a capacidade do modelo para encontrar todas as instâncias de uma classe de objectos específica numa imagem. Uma recuperação elevada significa que o modelo raramente falha os objectos que deveria detetar. É normalmente utilizada juntamente com a precisão e a precisão média (mAP) para fornecer uma avaliação abrangente do desempenho da deteção, conforme detalhado nos guias sobre as métricas de desempenhoYOLO . As ferramentas em plataformas como o Ultralytics HUB ajudam os utilizadores a controlar estas métricas durante a formação e validação do modelo. Compreender o Recall ajuda os desenvolvedores a ajustar os modelos para necessidades específicas, como garantir uma deteção abrangente em sistemas de alarme de segurança. A avaliação do desempenho geralmente envolve a análise de métricas derivadas de uma matriz de confusão e a consideração do contexto de conjuntos de dados potencialmente desequilibrados.