Aprende o que é o Recall na aprendizagem automática, porque é importante e como garante que os modelos de IA captam eficazmente instâncias positivas críticas.
A recuperação é uma métrica de desempenho fundamental na aprendizagem automática e na estatística, particularmente importante em tarefas de classificação e de recuperação de informação. Mede a capacidade de um modelo para identificar corretamente todas as instâncias relevantes de um conjunto de dados. Também conhecida como Sensibilidade ou Taxa de Verdadeiros Positivos (TPR), a Recuperação responde à pergunta: "De todas as instâncias positivas reais, quantas é que o modelo previu corretamente como positivas?" Uma Recuperação elevada é crucial em cenários em que a omissão de uma instância positiva (um Falso Negativo) tem consequências significativas.
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.
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 pontuação F1 fornece uma métrica única que equilibra a precisão e a recuperação.
A recordação é uma métrica de avaliação crítica em muitos domínios:
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.