Tìm hiểu Recall là gì trong học máy, tại sao nó lại quan trọng và cách nó đảm bảo các mô hình AI nắm bắt các trường hợp tích cực quan trọng một cách hiệu quả.
Recall, còn được gọi là độ nhạy hoặc tỷ lệ dương tính thật, là một thước đo đánh giá cơ bản trong học máy (ML) và thống kê. Nó đo lường khả năng của mô hình trong việc xác định chính xác tất cả các trường hợp liên quan trong một tập dữ liệu. Nói một cách đơn giản, Recall trả lời câu hỏi: "Trong số tất cả các trường hợp dương tính thực tế, có bao nhiêu trường hợp được mô hình dự đoán chính xác là dương tính?". Điểm Recall cao cho thấy mô hình hiệu quả trong việc tìm ra những gì nó cần tìm, giảm thiểu số trường hợp dương tính bị bỏ sót (âm tính giả). Thước đo này đặc biệt quan trọng trong các ứng dụng mà việc không phát hiện được trường hợp dương tính sẽ gây ra hậu quả đáng kể.
Trong nhiều tình huống thực tế, chi phí cho một kết quả âm tính giả (bỏ sót phát hiện) cao hơn nhiều so với chi phí cho một kết quả dương tính giả (báo động giả). Đây chính là lúc việc ưu tiên Recall cao trở nên thiết yếu. Ví dụ, trong các tác vụ như phân tích hình ảnh y tế hoặc phát hiện gian lận, mô hình Recall cao đảm bảo ghi lại càng nhiều trường hợp thực tế càng tốt để xem xét lại, ngay cả khi điều đó có nghĩa là một số trường hợp không phải trường hợp được đánh dấu sai.
Trong bối cảnh của thị giác máy tính (CV) và các mô hình như Ultralytics YOLO , Recall là một số liệu quan trọng được sử dụng cùng với Precision và mean Average Precision (mAP) để đánh giá hiệu suất trên các tác vụ như phát hiện đối tượng và phân đoạn phiên bản . Đạt được sự cân bằng tốt giữa Recall và Precision thường là điều cần thiết để có hiệu suất thực tế mạnh mẽ. Ví dụ: khi so sánh các mô hình như YOLOv8 với YOLO11 , Recall giúp hiểu được mức độ mỗi mô hình xác định tất cả các đối tượng mục tiêu tốt như thế nào. Người dùng có thể đào tạo các mô hình tùy chỉnh bằng các khuôn khổ như PyTorch hoặc TensorFlow và theo dõi Recall bằng các công cụ như Weights & Biases hoặc các tính năng tích hợp trong Ultralytics HUB . Hiểu về Recall giúp tối ưu hóa các mô hình cho các trường hợp sử dụng cụ thể, có khả năng liên quan đến việc điều chỉnh siêu tham số hoặc khám phá các kiến trúc mô hình khác nhau như YOLOv10 hoặc YOLO11 mới nhất. Các tài nguyên như tài liệu Ultralytics cung cấp hướng dẫn toàn diện về đào tạo và đánh giá.
Điều quan trọng là phải phân biệt Recall với các chỉ số đánh giá thông thường khác.