Recall (Trefferquote)

Recall, auch bekannt als Sensitivität oder True-Positive-Rate, ist eine grundlegende Bewertungsmetrik im maschinellen Lernen (ML) und in der Statistik. Sie misst die Fähigkeit eines Modells, alle relevanten Instanzen innerhalb eines Datensatzes korrekt zu identifizieren. Einfach ausgedrückt beantwortet Recall die Frage: "Wie viele der tatsächlich positiven Instanzen hat das Modell korrekt als positiv vorhergesagt?" Ein hoher Recall-Wert deutet darauf hin, dass das Modell effektiv darin ist, das zu finden, was es finden soll, und minimiert die Anzahl der übersehenen positiven Fälle (falsch-negative). Diese Metrik ist besonders wichtig in Anwendungen, bei denen das Übersehen eines positiven Falls erhebliche Konsequenzen hat.

Die Bedeutung einer hohen Trefferquote (Recall)

In vielen realen Szenarien sind die Kosten für ein falsch negatives Ergebnis (eine fehlende Erkennung) viel höher als die Kosten für ein falsch positives Ergebnis (ein falscher Alarm). Hier wird die Priorisierung eines hohen Recall-Werts unerlässlich. Beispielsweise stellt ein Modell mit hohem Recall-Wert in Aufgaben wie der medizinischen Bildanalyse oder der Betrugserkennung sicher, dass so viele tatsächliche Fälle wie möglich zur weiteren Überprüfung erfasst werden, selbst wenn dies bedeutet, dass einige Nicht-Fälle fälschlicherweise gekennzeichnet werden.

• Medizinische Diagnose: In einem KI-gestützten System zur Erkennung von Krebs anhand von medizinischen Scans ist ein Modell mit hohem Recall entscheidend. Es ist weitaus besser, wenn das System einen gesunden Patienten zur Überprüfung durch einen Radiologen meldet (ein falsch-positiver Befund), als einen Krebstumor zu übersehen (ein falsch-negativer Befund), was eine lebensrettende Behandlung verzögern könnte. Viele KI im Gesundheitswesen-Lösungen sind auf hohe Sensitivität optimiert.
• Sicherheit und Überwachung: Für ein Sicherheitsalarmsystem, das zum Erkennen von Eindringlingen entwickelt wurde, ist eine hohe Trefferquote (Recall) von größter Bedeutung. Das System muss jede potenzielle Bedrohung identifizieren, auch wenn es gelegentlich ein verirrtes Tier mit einem Eindringling verwechselt. Das Übersehen einer echten Sicherheitsverletzung würde das System unwirksam machen.

Recall in Ultralytics YOLO-Modellen

Im Kontext von Computer Vision (CV) und Modellen wie Ultralytics YOLO ist Recall eine Schlüsselmetrik, die zusammen mit Precision und mean Average Precision (mAP) verwendet wird, um die Leistung bei Aufgaben wie Objekterkennung und Instanzsegmentierung zu bewerten. Das Erreichen eines guten Gleichgewichts zwischen Recall und Precision ist oft entscheidend für eine robuste Leistung in der realen Welt. Zum Beispiel hilft Recall beim Vergleich von Modellen wie YOLOv8 vs. YOLO11 zu verstehen, wie gut jedes Modell alle Zielobjekte identifiziert. Benutzer können benutzerdefinierte Modelle trainieren, indem sie Frameworks wie PyTorch oder TensorFlow verwenden und Recall mithilfe von Tools wie Weights & Biases oder den integrierten Funktionen in Ultralytics HUB verfolgen. Das Verständnis von Recall hilft bei der Optimierung von Modellen für spezifische Anwendungsfälle, potenziell unter Einbeziehung von Hyperparameter-Optimierung oder der Erforschung verschiedener Modellarchitekturen wie YOLOv10 oder dem neuesten YOLO11. Ressourcen wie die Ultralytics-Dokumentation bieten umfassende Anleitungen zum Trainieren und zur Bewertung.

Recall im Vergleich zu anderen Metriken

Es ist wichtig, Recall von anderen gängigen Evaluierungsmetriken zu unterscheiden.

• Präzision: Während der Recall sich darauf konzentriert, alle positiven Beispiele zu finden, misst die Präzision die Genauigkeit der getroffenen positiven Vorhersagen. Sie beantwortet: "Wie viele der Instanzen, die das Modell als positiv vorhergesagt hat, waren tatsächlich positiv?" Es gibt oft einen Zielkonflikt zwischen Präzision und Recall; die Erhöhung des einen kann den anderen verringern. Dieses Konzept ist als Precision-Recall-Tradeoff bekannt.
• Genauigkeit: Misst den Gesamtprozentsatz der korrekten Vorhersagen (sowohl positive als auch negative). Die Genauigkeit kann eine irreführende Metrik für unbalancierte Datensätze sein, bei denen eine Klasse die andere bei weitem übertrifft. In einem Datensatz mit 99 % negativen Stichproben erreicht ein Modell, das alles als negativ vorhersagt, beispielsweise eine Genauigkeit von 99 %, hat aber einen Recall von Null für die positive Klasse.
• F1-Score: Dies ist das harmonische Mittel aus Präzision und Rückruf (Recall). Der F1-Score bietet eine einzelne Zahl, die beide Metriken ausgleicht, was ihn zu einem nützlichen Maß macht, wenn Sie sowohl falsch positive als auch falsch negative Ergebnisse berücksichtigen müssen. Er wird oft verwendet, wenn eine ungleichmäßige Klassenverteilung vorliegt.
• Fläche unter der Kurve (AUC): Speziell für die binäre Klassifizierung stellt die Receiver Operating Characteristic (ROC)-Kurve die True-Positive-Rate (Recall) gegen die False-Positive-Rate dar. Die AUC liefert einen einzelnen Score, der die Leistung des Modells über alle Klassifizierungsschwellenwerte hinweg zusammenfasst. Die Fläche unter der Precision-Recall-Kurve (AUC-PR) ist oft informativer für unbalancierte Klassifizierungsaufgaben.