ریکال

Recall نشان می‌دهد مدل چه نسبتی از نمونه‌های مثبت واقعی را شناسایی کرده است. در تشخیص بیماری یا کشف تقلب، از دست ندادن موارد مثبت اهمیت دارد.

افزایش ریکال ممکن است مثبت‌های کاذب را بیشتر کند، آستانه تصمیم باید بر اساس هزینه خطاها انتخاب شود.

در غربالگری، Recall پایین یعنی موارد مثبت واقعی از دست می‌روند. اما افزایش Recall ممکن است مثبت کاذب بیشتری ایجاد کند.

نمونه کوتاه

from sklearn.metrics import recall_score
print(recall_score(y_true, y_pred))

درک تفاوت این موضوع با طبقه‌بندی و خوشه‌بندی به انتخاب راهکار مناسب‌تر کمک می‌کند.

ریکال در تشخیص تقلب

اگر از ۱۰۰ تراکنش واقعاً تقلبی، مدل ۹۰ مورد را شناسایی کند، Recall برابر ۹۰ درصد است. کاهش آستانه تشخیص اغلب Recall را بالا می‌برد ولی ممکن است هشدارهای اشتباه بیشتر شوند.