MCDMClassification Metric
Recall (känslighet)
Recall mäter proportionen av faktiska positiva fall som korrekt identifierades av klassificeraren. Den besvarar frågan: 'Av alla fall som var verkligt positiva, hur många hittade vi?' Recall är avgörande i scenarier där det är kostsamt att missa positiva fall.
Läs hela metoden
Endast för medlemmar
Logga inLogga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/sv/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.
- Balanserad träffsäkerhetModellutvärdering↔ compare
- F1-poängModellutvärdering↔ compare
- Matthews KorrelationskoefficientModellutvärdering↔ compare
- PrecisionModellutvärdering↔ compare
- SpecificitetModellutvärdering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →