Geri Çağırma (Recall)

Hassasiyet veya gerçek pozitif oranı olarak da bilinen Recall, makine öğrenimi (ML) ve istatistikte temel bir değerlendirme metriğidir. Bir modelin bir veri kümesindeki tüm ilgili örnekleri doğru bir şekilde tanımlama yeteneğini ölçer. Basit bir ifadeyle Recall şu soruyu yanıtlar: "Gerçek pozitif örneklerin kaç tanesini model pozitif olarak doğru bir şekilde tahmin etti?" Yüksek bir Recall puanı, modelin neyi bulması gerekiyorsa onu bulmada etkili olduğunu ve kaçırılan pozitif vaka sayısını (yanlış negatifler) en aza indirdiğini gösterir. Bu metrik, pozitif bir vakayı tespit edememenin önemli sonuçları olduğu uygulamalarda özellikle önemlidir.

Yüksek Geri Çağırmanın Önemi

Birçok gerçek dünya senaryosunda, yanlış negatifin (bir tespiti kaçırmak) maliyeti, yanlış pozitifin (yanlış alarm) maliyetinden çok daha yüksektir. Bu, yüksek Recall'e öncelik vermenin esas olduğu yerdir. Örneğin, tıbbi görüntü analizi veya sahtekarlık tespiti gibi görevlerde, yüksek Recall'e sahip bir model, bazı vakalar yanlış işaretlenmiş olsa bile, mümkün olduğunca çok sayıda doğru vakanın daha fazla inceleme için yakalanmasını sağlar.

• Tıbbi Teşhis: Tıbbi taramalardan kanseri tespit etmek için yapay zeka destekli bir sistemde, yüksek Geri Çağırma modelinin önemi büyüktür. Sistem, hayat kurtaran tedaviyi geciktirebilecek kanserli bir tümörü kaçırmaktansa (yanlış negatif), sağlıklı bir hastayı bir radyolog tarafından incelenmek üzere işaretlemesi (yanlış pozitif) çok daha iyidir. Birçok sağlık hizmetlerinde yapay zeka çözümü yüksek hassasiyet için optimize edilmiştir.
• Güvenlik ve Gözetim: İzinsiz girişleri tespit etmek için tasarlanmış bir güvenlik alarm sistemi için yüksek Geri Çağırma (Recall) çok önemlidir. Sistem, başıboş bir hayvanı bir davetsiz misafirle karıştırdığında bile her potansiyel tehdidi tanımlamalıdır. Gerçek bir güvenlik ihlalini kaçırmak, sistemi etkisiz hale getirir.

Ultralytics YOLO Modellerinde Geri Çağırma (Recall)

Bilgisayarlı görü (CV) ve Ultralytics YOLO gibi modeller bağlamında, Geri Çağırma, nesne tespiti ve örnek segmentasyonu gibi görevlerdeki performansı değerlendirmek için Kesinlik ve ortalama Ortalama Kesinlik (mAP) ile birlikte kullanılan önemli bir metriktir. Genellikle Geri Çağırma ve Kesinlik arasında iyi bir denge sağlamak, sağlam gerçek dünya performansı için önemlidir. Örneğin, YOLOv8 ile YOLO11 gibi modelleri karşılaştırırken, Geri Çağırma her modelin tüm hedef nesneleri ne kadar iyi tanımladığını anlamaya yardımcı olur. Kullanıcılar, PyTorch veya TensorFlow gibi çerçeveleri kullanarak özel modeller eğitebilir ve Weights & Biases gibi araçları veya Ultralytics HUB'daki entegre özellikleri kullanarak Geri Çağırma'yı izleyebilir. Geri Çağırma'yı anlamak, modelleri belirli kullanım durumları için optimize etmeye yardımcı olur ve potansiyel olarak hiperparametre ayarlaması veya YOLOv10 veya en son YOLO11 gibi farklı model mimarilerini keşfetmeyi içerir. Ultralytics belgeleri gibi kaynaklar, eğitim ve değerlendirme hakkında kapsamlı kılavuzlar sunar.

Recall ve Diğer Metrikler

Geri Çağırmayı (Recall) diğer yaygın değerlendirme ölçütlerinden ayırmak önemlidir.

• Hassasiyet (Precision): Geri Çağırma (Recall) tüm pozitif örnekleri bulmaya odaklanırken, Hassasiyet (Precision) yapılan pozitif tahminlerin doğruluğunu ölçer. Şu soruyu yanıtlar: "Modelin pozitif olarak tahmin ettiği tüm örneklerden kaçı aslında pozitifti?" Genellikle Hassasiyet (Precision) ve Geri Çağırma (Recall) arasında bir denge vardır; birini artırmak diğerini azaltabilir. Bu kavram Hassasiyet-Geri Çağırma dengesi olarak bilinir.
• Doğruluk (Accuracy): Doğru tahminlerin (hem pozitif hem de negatif) genel yüzdesini ölçer. Doğruluk (Accuracy), bir sınıfın diğerinden çok daha fazla olduğu dengesiz veri kümeleri için yanıltıcı bir metrik olabilir. Örneğin, %99 negatif örneğe sahip bir veri kümesinde, her şeyi negatif olarak tahmin eden bir model %99 doğruluk elde eder, ancak pozitif sınıf için Geri Çağırma (Recall) değeri sıfırdır.
• F1-Skoru: Bu, Precision (Kesinlik) ve Recall'un (Hassasiyet) harmonik ortalamasıdır. F1-Skoru, her iki metriği de dengeleyen tek bir sayı sağlar ve hem yanlış pozitifleri hem de yanlış negatifleri dikkate almanız gerektiğinde kullanışlı bir ölçüdür. Genellikle dengesiz bir sınıf dağılımı olduğunda kullanılır.
• Eğri Altındaki Alan (AUC): Özellikle ikili sınıflandırma için, Alıcı Çalışma Karakteristiği (ROC) eğrisi, gerçek pozitif oranını (Geri Çağırma) yanlış pozitif oranına karşı çizer. AUC, modelin tüm sınıflandırma eşikleri genelindeki performansını özetleyen tek bir puan sağlar. Kesinlik-Geri Çağırma eğrisinin altındaki alan (AUC-PR), dengesiz sınıflandırma görevleri için genellikle daha bilgilendiricidir.