Richiamo (Sensibilità)
Il richiamo misura la proporzione di casi positivi effettivi che sono stati identificati correttamente dal classificatore. Risponde alla domanda: 'Di tutti i casi che erano veramente positivi, quanti ne abbiamo trovati?' Il richiamo è fondamentale in scenari in cui la mancata identificazione di casi positivi è costosa.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/it/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.
- Accuratezza BilanciataValutazione dei modelli↔ compare
- Punteggio F1Valutazione dei modelli↔ compare
- Coefficiente di Correlazione di MatthewsValutazione dei modelli↔ compare
- PrecisioneValutazione dei modelli↔ compare
- SpecificitàValutazione dei modelli↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →