Полнота (Чувствительность)
Полнота измеряет долю фактически положительных случаев, которые были правильно идентифицированы классификатором. Она отвечает на вопрос: «Из всех случаев, которые были истинно положительными, сколько мы обнаружили?» Полнота критически важна в сценариях, где пропуск положительных случаев дорого обходится.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/ru/model-evaluation/recall
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Сбалансированная точностьОценка моделей↔ сравнить
- F1-мераОценка моделей↔ сравнить
- Коэффициент корреляции МэтьюсаОценка моделей↔ сравнить
- ТочностьОценка моделей↔ сравнить
- СпецифичностьОценка моделей↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →