Czułość (Recall)
Czułość mierzy odsetek faktycznych przypadków pozytywnych, które zostały poprawnie zidentyfikowane przez klasyfikator. Odpowiada na pytanie: „Spośród wszystkich przypadków, które były rzeczywiście pozytywne, ile znaleźliśmy?”. Czułość jest kluczowa w scenariuszach, w których koszt pominięcia przypadków pozytywnych jest wysoki.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/pl/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.
- Zrównoważona dokładnośćOcena modeli↔ compare
- Wynik F1Ocena modeli↔ compare
- Współczynnik korelacji Matthews’aOcena modeli↔ compare
- PrecyzjaOcena modeli↔ compare
- SpecyficznośćOcena modeli↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →