Отзыв

Основная концепция

Recall фокусируется на реальных положительных случаях в наборе данных и количественно определяет, сколько из них было успешно распознано моделью. Он рассчитывается как отношение числа истинно положительных случаев (TP) - случаев, правильно идентифицированных как положительные, - к сумме числа истинно положительных и ложноотрицательных случаев (FN) - случаев, которые на самом деле были положительными, но были неправильно идентифицированы как отрицательные. Модель с высоким Recall правильно идентифицирует большинство положительных экземпляров. Понимание Recall очень важно для оценки эффективности модели, которую часто визуализируют с помощью матрицы запутанности.

Recall Vs. Precision

Часто Recall обсуждается наряду с Precision. В то время как Recall измеряет долю фактических положительных результатов, выявленных правильно, Precision измеряет долю предсказанных положительных результатов, которые действительно оказались верными (TP / (TP + False Positives)). Между показателями Precision и Recall часто существует компромисс; оптимизация одного из них иногда может негативно сказаться на другом. Выбор между приоритетом Recall или Precision зависит от конкретного приложения:

• Высокая Recall предпочтительна, когда стоимость пропуска положительного экземпляра (False Negative) высока.
• Высокая точность предпочтительна, когда стоимость ошибочной идентификации отрицательного экземпляра как положительного (False Positive) высока.

F1-score - это единая метрика, которая уравновешивает Precision и Recall.

Применение в реальном мире

Recall - важнейшая метрика оценки во многих областях:

• Анализ медицинских изображений: В таких задачах, как обнаружение опухолей с помощью ИИ, высокий показатель Recall жизненно важен. Пропуск злокачественной опухоли (False Negative) может привести к задержке лечения с серьезными последствиями. Поэтому диагностические системы часто оптимизируют для достижения высокой чувствительности (Recall), даже если это означает отметку некоторых доброкачественных случаев для дальнейшего рассмотрения (более низкая точность). Обеспечение комплексного обнаружения имеет первостепенное значение для ИИ в здравоохранении.
• Обнаружение мошенничества: При создании систем для обнаружения мошеннических финансовых операций важно добиться максимального показателя Recall. Неспособность выявить мошенническую операцию (False Negative) может привести к значительным финансовым потерям. Хотя минимизация ложных срабатываний (False Positives) также желательна, обеспечение того, чтобы большинство мошеннических действий было поймано, часто имеет приоритет.

Актуальность в компьютерном зрении

В компьютерном зрении Recall очень важен для оценки таких задач, как обнаружение объектов и сегментация изображений. Для такой модели обнаружения объектов, как Ultralytics YOLORecall показывает, насколько хорошо модель находит все экземпляры определенного класса объектов на изображении. Высокий показатель Recall означает, что модель редко пропускает объекты, которые она должна была обнаружить. Этот показатель обычно используется наряду с точностью и средней точностью (mAP) для комплексной оценки эффективности обнаружения, о чем подробно рассказывается в руководствах по метрикам производительностиYOLO . Инструменты в таких платформах, как Ultralytics HUB, помогают пользователям отслеживать эти показатели во время обучения и проверки модели. Понимание Recall помогает разработчикам точно настроить модели под конкретные нужды, например, обеспечить комплексное обнаружение в системах охранной сигнализации. Оценка производительности часто включает в себя анализ метрик, полученных из матрицы путаницы, и учет контекста потенциально несбалансированных наборов данных.