Recall (Sensitivität)
Recall misst den Anteil der tatsächlich positiven Fälle, die vom Klassifikator korrekt identifiziert wurden. Es beantwortet die Frage: „Von allen Fällen, die wirklich positiv waren, wie viele haben wir gefunden?“ Recall ist in Szenarien entscheidend, in denen das Übersehen positiver Fälle kostspielig ist.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. DOI: 10.1016/j.patrec.2005.10.010 ↗
- Powers, D. M. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation. Journal of Machine Learning Technologies, 2(1), 37-63. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/de/model-evaluation/recall
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Balanced AccuracyModellevaluation↔ compare
- F1-ScoreModellevaluation↔ compare
- Matthews-KorrelationskoeffizientModellevaluation↔ compare
- PräzisionModellevaluation↔ compare
- SpezifitätModellevaluation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →