Recall

Il recall è la quota di casi positivi effettivi che un modello identifica correttamente. Risponde alla domanda «di tutto ciò che si sarebbe dovuto trovare, quanto ha individuato il modello?» e si calcola dividendo i veri positivi per tutti i positivi effettivi: recall = TP / (TP + FN), dove un falso negativo (FN) è un caso positivo che il modello non ha individuato. Il recall va da 0 a 1: un recall di 0.90 significa che il modello non individua 1 positivo su 10. Sensibilità, tasso di veri positivi (TPR) e tasso di rilevamento sono sinonimi; il tasso di omissione, o tasso di falsi negativi, equivale a 1 meno il recall. Il recall è fondamentale quando un caso mancato ha conseguenze gravi, come un tumore non rilevato in un esame di screening o un intruso che un sistema di allarme non segnala.

Come si calcola il recall#

Il recall si basa su due celle della matrice di confusione: i veri positivi e i falsi negativi, che insieme rappresentano tutti i positivi effettivi. I falsi positivi e i veri negativi non entrano mai nella formula, quindi un modello che etichetta tutto come positivo raggiunge un recall perfetto pari a 1.0, pur essendo inutile. Il recall viene quindi riportato insieme alla precisione, TP / (TP + FP), che penalizza proprio quei falsi allarmi. Per esempio, un modello di screening che segnala 90 tumori su 100 in un set di test ha un recall di 0.90, indipendentemente dal numero di esami sani che segnala; la precisione indica quanti dei casi segnalati erano reali.

Con più di due classi, il recall si calcola per ciascuna classe, trattandola come positiva e tutte le altre come negative, e poi si calcola la media. Il recall macro assegna lo stesso peso a ogni classe, rendendo visibili le prestazioni scarse sulle classi rare; nei problemi multiclasse con una sola etichetta, il recall micro equivale all'accuratezza.

Il compromesso tra precisione e recall#

La maggior parte dei modelli produce un punteggio, che una soglia decisionale trasforma in un sì o un no. Abbassando la soglia si segnalano più casi, aumentando il recall e riducendo di solito la precisione. Lo script scikit-learn qui sotto assegna un punteggio a 15 pezzi, di cui 5 difettosi, usando tre soglie:

import numpy as np
from sklearn.metrics import precision_score, recall_score

# 5 defective parts (1) and 10 good parts (0), with the model's defect score for each
y_true = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
scores = np.array([0.95, 0.80, 0.55, 0.40, 0.20, 0.60, 0.35, 0.30, 0.15, 0.10, 0.10, 0.05, 0.05, 0.05, 0.02])

# Lowering the decision threshold flags more parts as defective
for threshold in (0.7, 0.5, 0.3):
    y_pred = scores >= threshold
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"threshold {threshold}: recall {recall:.2f}, precision {precision:.2f}")

Con una soglia di 0.7, il modello trova 2 dei 5 difetti senza falsi allarmi, con un recall di 0.40 e una precisione di 1.00. Abbassando la soglia a 0.3, trova 4 difetti, con un recall di 0.80, ma 3 delle 7 segnalazioni riguardano pezzi integri, perciò la precisione scende a 0.57. Tracciando tutte le soglie si ottiene una curva precision-recall; l'F1-score o l'F2, che attribuisce un peso maggiore al recall, permette di scegliere un singolo punto operativo sulla curva. In YOLO26, la soglia di conf della predizione determina questo compromesso ed è 0.25 per impostazione predefinita: abbassarla, per esempio a conf=0.1, consente di recuperare oggetti più sfumati, piccoli o parzialmente nascosti, a costo di più falsi rilevamenti.

Recall nel rilevamento di oggetti#

Nel rilevamento di oggetti, i positivi sono gli oggetti etichettati in ogni immagine. Un oggetto etichettato conta come individuato solo quando una predizione della stessa classe si sovrappone a esso con un'intersezione sull'unione (IoU) pari o superiore a una soglia, spesso 0.5. Ogni predizione può corrispondere a un solo oggetto: un singolo riquadro che copre due persone nella folla ne individua una, mentre l'altra diventa un falso negativo.

Il recall del rilevatore dipende quindi dalla soglia di confidenza, dalla soglia IoU e dalla postelaborazione. Una soglia IoU più alta, come 0.75, riduce il recall per i riquadri posizionati in modo impreciso; la soppressione dei massimi non locali (NMS) può eliminare riquadri corretti per oggetti che si sovrappongono molto; un limite al numero di rilevamenti per immagine riduce il recall nelle scene affollate. La precisione media media (mAP) integra la precisione a tutti i livelli di recall, quindi ogni oggetto che il modello non individua la riduce. La valutazione COCO riporta anche il recall medio (AR), il recall massimo raggiunto con un numero fisso di rilevamenti per immagine, calcolato come media sulle soglie IoU da 0.50 a 0.95, nelle forme AR@1, AR@10 e AR@100.

Come migliorare il recall#

• Abbassa la soglia di confidenza: la soluzione più rapida, a costo di una precisione inferiore.
• Raccogli e annota i casi mancati: aggiungi esempi di addestramento delle condizioni in cui il modello fallisce, per esempio oggetti piccoli, occlusi o in condizioni notturne. L'analisi dei falsi negativi sui dati di validazione mostra quali esempi includere.
• Aumenta la risoluzione dell'input: gli oggetti piccoli, ridotti a pochi pixel a bassa risoluzione, diventano rilevabili a una risoluzione più alta.
• Contrastare lo sbilanciamento delle classi: Le funzioni di perdita come la focal loss e il ricampionamento delle classi rare impediscono al modello di ignorare la classe minoritaria.

Recall e termini correlati#

• Precisione: La quota di previsioni positive corrette. La recall indica quanto del target è stato individuato dal modello, mentre la precisione indica quanta parte di ciò che il modello ha individuato era corretta.
• Specificità: Il tasso di veri negativi, TN / (TN + FP), ovvero la quota di negativi correttamente respinti. I test medici riportano la coppia come sensibilità e specificità.
• Curva caratteristica operativa del ricevitore (ROC): Rappresenta la recall, ovvero il tasso di veri positivi, in funzione del tasso di falsi positivi al variare delle soglie. L'area sotto la curva (AUC) la riassume con un unico numero.
• Accuratezza: La quota di tutte le previsioni che sono corrette. Con l'1% di positivi, un modello che prevede sempre un risultato negativo ottiene un'accuratezza del 99% e una recall dello 0%.