Rappel (Sensibilité)
Le rappel mesure la proportion de cas positifs réels qui ont été correctement identifiés par le classifieur. Il répond à la question : « Parmi tous les cas qui étaient véritablement positifs, combien en avons-nous trouvés ? » Le rappel est essentiel dans les scénarios où manquer des cas positifs est coûteux.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/fr/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.
- Précision équilibréeÉvaluation de modèles↔ compare
- Score F1Évaluation de modèles↔ compare
- Coefficient de corrélation de MatthewsÉvaluation de modèles↔ compare
- PrécisionÉvaluation de modèles↔ compare
- SpécificitéÉvaluation de modèles↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →