Geri Çağırma

Hassasiyet veya gerçek pozitif oran olarak da bilinen geri çağırma, makine öğrenimi (ML) ve istatistikte temel bir değerlendirme ölçütüdür. Bir modelin bir veri kümesindeki tüm ilgili örnekleri doğru bir şekilde tanımlama yeteneğini ölçer. Basit bir ifadeyle, Geri Çağırma şu soruyu yanıtlar: "Tüm gerçek pozitif örneklerden kaç tanesini model doğru şekilde pozitif olarak tahmin etti?" Yüksek bir Geri Çağırma puanı, modelin bulması gerekenleri bulmada etkili olduğunu ve gözden kaçan pozitif vakaların (yanlış negatifler) sayısını en aza indirdiğini gösterir. Bu metrik özellikle pozitif bir vakayı tespit edememenin önemli sonuçlar doğurduğu uygulamalarda kritik önem taşır.

Yüksek Hatırlanabilirliğin Önemi

Birçok gerçek dünya senaryosunda, yanlış negatifin (bir tespitin kaçırılması) maliyeti, yanlış pozitifin (yanlış alarm) maliyetinden çok daha yüksektir. İşte bu noktada yüksek Geri Çağırma oranına öncelik vermek çok önemlidir. Örneğin, tıbbi görüntü analizi veya dolandırıcılık tespiti gibi görevlerde, yüksek Geri Çağırma modeli, bazı gerçek olmayan vakaların yanlış işaretlenmesi anlamına gelse bile, mümkün olduğunca çok sayıda gerçek vakanın daha fazla inceleme için yakalanmasını sağlar.

• Tıbbi Teşhis: Tıbbi taramalardan kanseri tespit etmek için yapay zeka destekli bir sistemde, yüksek bir Geri Çağırma modeli çok önemlidir. Sistemin bir radyolog tarafından incelenmek üzere sağlıklı bir hastayı işaretlemesi (yanlış pozitif), hayat kurtaran tedaviyi geciktirebilecek kanserli bir tümörü (yanlış negatif) gözden kaçırmaktan çok daha iyidir. Sağlık alanındaki birçok yapay zeka çözümü yüksek hassasiyet için optimize edilmiştir.
• Güvenlik ve Gözetim: Davetsiz misafirleri tespit etmek için tasarlanmış bir güvenlik alarm sistemi için yüksek Geri Çağırma çok önemlidir. Sistem, zaman zaman başıboş bir hayvanı davetsiz misafir zannetse bile her potansiyel tehdidi tespit etmelidir. Gerçek bir güvenlik ihlalini gözden kaçırmak sistemi etkisiz hale getirecektir.

Ultralytics YOLO Modellerinde Geri Çağırma

Bilgisayarla görme (CV) ve Ultralytics YOLO gibi modeller bağlamında Geri Çağırma, nesne algılama ve örnek segmentasyonu gibi görevlerde performansı değerlendirmek için Kesinlik ve Ortalama Kesinlik (mAP) ile birlikte kullanılan önemli bir metriktir. Geri Çağırma ve Kesinlik arasında iyi bir denge sağlamak, sağlam bir gerçek dünya performansı için genellikle çok önemlidir. Örneğin, YOLOv8 ve 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 Recall'ı izleyebilir. Geri Çağırmayı anlamak, potansiyel olarak hiperparametre ayarını veya YOLOv10 veya en son YOLO11 gibi farklı model mimarilerini keşfetmeyi içeren belirli kullanım durumları için modelleri optimize etmeye yardımcı olur. Ultralytics belgeleri gibi kaynaklar, eğitim ve değerlendirme konusunda kapsamlı kılavuzlar sunar.

Geri Çağırma ve Diğer Metrikler

Geri Çağırma'yı diğer yaygın değerlendirme metriklerinden ayırmak önemlidir.

• Hassasiyet: Recall tüm pozitif örnekleri bulmaya odaklanırken, Precision yapılan pozitif tahminlerin doğruluğunu ölçer. Cevap verir: "Modelin pozitif olarak tahmin ettiği tüm örneklerden kaç tanesi gerçekten pozitifti?" Hassasiyet ve Geri Çağırma arasında genellikle bir değiş tokuş vardır; birini artırmak diğerini azaltabilir. Bu kavram Kesinlik-Geri Çağırma değiş tokuşu olarak bilinir.
• Doğruluk: Doğru tahminlerin (hem olumlu hem de olumsuz) genel yüzdesini ölçer. Doğruluk, bir sınıfın diğerinden çok daha fazla olduğu dengesiz veri kümeleri için yanıltıcı bir metrik olabilir. Örneğin, %99 negatif örnek içeren bir veri kümesinde, her şeyi negatif olarak tahmin eden bir model %99 doğruluk elde eder ancak pozitif sınıf için Geri Çağırma değeri sıfırdır.
• F1-Skor: Bu, Kesinlik ve Geri Çağırma değerlerinin harmonik ortalamasıdır. F1-Skoru, her iki ölçütü de dengeleyen tek bir sayı sağlar ve hem yanlış pozitifleri hem de yanlış negatifleri dikkate almanız gerektiğinde yararlı bir ölçüt haline getirir. Genellikle eşit olmayan bir sınıf dağılımı olduğunda kullanılır.
• Eğri Altındaki Alan (AUC): Özellikle ikili sınıflandırma için Alıcı İşletim Karakteristiği (ROC) eğrisi doğru pozitif oranını (Recall) yanlış pozitif oranına karşı çizer. AUC, modelin tüm sınıflandırma eşiklerindeki performansını özetleyen tek bir puan sağlar. Hassasiyet-Tekrar Çağırma eğrisinin altındaki alan (AUC-PR) genellikle dengesiz sınıflandırma görevleri için daha bilgilendiricidir.