MCDMClassification Metric
بازیابی (حساسیت)
بازیابی نسبت موارد مثبت واقعی را که توسط طبقهبند به درستی شناسایی شدهاند، اندازهگیری میکند. این معیار به این پرسش پاسخ میدهد: «از میان تمام مواردی که واقعاً مثبت بودند، چند مورد را یافتیم؟» بازیابی در سناریوهایی که از دست دادن موارد مثبت هزینهبر است، اهمیت حیاتی دارد.
مطالعهٔ کامل روش
ویژهٔ اعضا
ورودبرای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/fa/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.
- دقت موزونارزیابی مدل↔ compare
- امتیاز F1ارزیابی مدل↔ compare
- ضریب همبستگی متیوز (MCC)ارزیابی مدل↔ compare
- دقتارزیابی مدل↔ compare
- تخصصیتارزیابی مدل↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →