Recall (Sensitivitas)
Recall mengukur proporsi kasus positif aktual yang berhasil diidentifikasi oleh pengklasifikasi. Metrik ini menjawab pertanyaan: 'Dari semua kasus yang benar-benar positif, berapa banyak yang berhasil kita temukan?' Recall sangat krusial dalam skenario di mana kehilangan kasus positif menimbulkan biaya yang besar.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/id/model-evaluation/recall
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Akurasi SeimbangEvaluasi Model↔ bandingkan
- Skor-F1Evaluasi Model↔ bandingkan
- Koefisien Korelasi MatthewsEvaluasi Model↔ bandingkan
- PresisiEvaluasi Model↔ bandingkan
- SpesifisitasEvaluasi Model↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →