MCDMClassification Metric
Atcerēšanās (jutība)
Atcerēšanās mēra to patieso pozitīvo gadījumu īpatsvaru, ko klasifikators ir pareizi identificējis. Tā atbild uz jautājumu: 'No visiem gadījumiem, kas patiešām bija pozitīvi, cik mēs atradām?' Atcerēšanās ir kritiski svarīga scenārijos, kur pozitīvu gadījumu nokavēšana ir dārga.
Lasīt pilno metodes aprakstu
Tikai dalībniekiem
PieteiktiesPiesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/lv/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.
- Balansētā precizitāteModeļu novērtēšana↔ compare
- F1-novērtējumsModeļu novērtēšana↔ compare
- Matjūsa korelasijas koeficientsModeļu novērtēšana↔ compare
- PrecizitāteModeļu novērtēšana↔ compare
- SpecifiskumsModeļu novērtēšana↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →