Geri Çağırma (Duyarlılık)
Recall or Sensitivity (True Positive Rate) · Ayrıca şöyle bilinir: Sensitivity, True Positive Rate, TPR
Geri çağırma, sınıflandırıcı tarafından doğru bir şekilde tanımlanan gerçek pozitif vakaların oranını ölçer. 'Gerçekten pozitif olan tüm vakalardan kaç tanesini bulduk?' sorusunu yanıtlar. Geri çağırma, pozitif vakaları kaçırmanın maliyetli olduğu senaryolarda kritik öneme sahiptir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Pozitif vakaları kaçırmanın maliyetli olduğu durumlarda geri çağırmayı kullanın; örneğin hastalık teşhisi (kanser teşhisini kaçırmak hayatı tehdit edici olabilir), suç soruşturması (suçlu tarafı kaçırmak) veya ağ saldırısı tespiti (güvenlik ihlalini kaçırmak). Geri çağırma, yanlış pozitiflerin birincil endişe kaynağı olduğu durumlarda daha az önemlidir; örneğin spam filtrelemede.
Güçlü yönler & sınırlılıklar
- Tüm pozitif vakaları tanımlama yeteneğini doğrudan ölçer; yüksek geri çağırma, az sayıda vakanın kaçırıldığı anlamına gelir.
- Yorumlanabilir: geri çağırma = 1.0, hiçbir pozitif vakanın kaçırılmadığı anlamına gelir.
- Yanlış negatiflerin yüksek maliyeti veya güvenlik etkisi olduğu uygulamalar için esastır.
- Sınıflandırma performansının tam bir resmini sunmak için kesinliği tamamlar.
- Yanlış pozitifleri göz ardı eder; bir model, çok sayıda yanlış pozitif tahmin yapsa bile yüksek geri çağırmaya sahip olabilir.
- Model her şeyi pozitif olarak tahmin ederse yapay olarak yüksek olabilir.
- Sınıf dengesizliğini veya farklı hata türlerinin göreceli maliyetlerini hesaba katmaz.
- Tek başına geri çağırma, kesinlik dikkate alınmadan eksiktir.
SSS
Geri çağırmayı kesinliğe ne zaman tercih etmeliyim?
Yanlış negatifin maliyetinin yüksek olduğu durumlarda geri çağırmayı önceliklendirin. Ciddi hastalıklar için tıbbi teşhiste, teşhisi kaçırmak tehlikelidir. Güvenlik tehdidi tespitinde, bir tehdidi kaçırmak hasara yol açar. Suç soruşturmasında, suçlu tarafı kaçırmak adaleti engeller. Buna karşılık, spam filtrelemede, yanlış pozitifler (iyi e-postaları filtrelemek) yanlış negatiflerden (bazı spamleri kaçırmak) daha maliyetli olabilir.
Bir modelin yüksek geri çağırması ancak düşük kesinliği olabilir mi?
Evet. Bir model neredeyse her şeyi pozitif olarak tahmin edebilir, gerçek pozitif vakaların çoğunu doğru bir şekilde tanımlayabilir (yüksek geri çağırma) ancak çok sayıda yanlış pozitif hata yapabilir (düşük kesinlik). Bu strateji yalnızca yanlış negatiflerin son derece maliyetli ve yanlış pozitiflerin tolere edilebilir olduğu durumlarda kullanışlıdır.
Geri çağırma ve kesinlik birbirini nasıl etkiler?
Geri çağırma ve kesinlik genellikle ters orantılıdır. Sınıflandırma eşiğini düşürmek geri çağırmayı artırır ancak kesinliği azaltır (daha fazla yanlış pozitif). Eşiği yükseltmek geri çağırmayı azaltır ancak kesinliği artırır (daha az yanlış pozitif). Doğru eşiği seçmek, farklı hata türlerinin maliyetlerine bağlı olarak bu iki metriği dengelemeyi içerir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Recall or Sensitivity (True Positive Rate). ScholarGate. https://scholargate.app/tr/model-evaluation/recall
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dengeli DoğrulukModel değerlendirme↔ karşılaştır
- F1-SkoruModel değerlendirme↔ karşılaştır
- Matthews Korelasyon KatsayısıModel değerlendirme↔ karşılaştır
- KesinlikModel değerlendirme↔ karşılaştır
- ÖzgüllükModel değerlendirme↔ karşılaştır