Узнай, что такое Recall в машинном обучении, почему он важен и как он обеспечивает эффективный захват моделями ИИ критически важных положительных случаев.
Recall - это ключевая метрика производительности в машинном обучении и статистике, особенно важная в задачах классификации и информационного поиска. Она измеряет способность модели правильно определять все релевантные экземпляры из набора данных. Также известный как чувствительность или показатель истинных положительных результатов (TPR), Recall отвечает на вопрос: "Из всех реальных положительных экземпляров, сколько из них модель правильно предсказала как положительные?". Высокий показатель Recall имеет решающее значение в сценариях, где пропуск положительного экземпляра (False Negative) имеет значительные последствия.
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.
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:
F1-score - это единая метрика, которая уравновешивает Precision и Recall.
Recall - важнейшая метрика оценки во многих областях:
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.