Dein Lernbereich wird geladen
App wird gestartet …
Dein Lernbereich wird geladen
App wird gestartet …
Recall misst den Anteil der tatsächlichen positiven Fälle, die ein Klassifikator findet.
Ansehen kostenlos · Karteikarten oder Multiple-Choice-Test · übernehmen ab Essential
Formel
dimensionslos, zwischen 0 und 1; bei TP+FN=0 definitionsabhängig
| Symbol | Bedeutung | Einheit |
|---|---|---|
| Richtig positive Vorhersagen | Anzahl | |
| Übersehene positive Fälle | Anzahl |
\mathrm{Recall}=\frac{TP}{TP+FN}Recall ist die Sensitivität der festgelegten positiven Klasse. Er beantwortet, welcher Anteil aller tatsächlich positiven Fälle erkannt wurde, und blendet FP sowie TN aus. Der Wert hängt von der Entscheidungsschwelle und vom Testdatensatz ab; eine Senkung der Schwelle erhöht häufig Recall, aber meist auch Fehlalarme. Wenn keine positiven Fälle im Testset vorkommen, ist der Nenner null und Recall nicht definiert. Berichte Klasse und Schwelle mit.
Recall ist die Sensitivität der festgelegten positiven Klasse. Er beantwortet, welcher Anteil aller tatsächlich positiven Fälle erkannt wurde, und blendet FP sowie TN aus. Der Wert hängt von der Entscheidungsschwelle und vom Testdatensatz ab; eine Senkung der Schwelle erhöht häufig Recall, aber meist auch Fehlalarme. Wenn keine positiven Fälle im Testset vorkommen, ist der Nenner null und Recall nicht definiert. Berichte Klasse und Schwelle mit.
Recall misst den Anteil der tatsächlichen positiven Fälle, die ein Klassifikator findet.
FN aus Recall
Recall liegt bei positivem Nenner zwischen 0 und 1.
Erkläre am Beispiel zu Recall (Sensitivität), welche Eingabegrößen zur gesuchten Ausgabe führen.
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Recall misst den Anteil der tatsächlichen positiven Fälle, die ein Klassifikator findet.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Die Beziehung ohne ihre angegebenen Voraussetzungen auf einen anderen Fall übertragen.
Prüfe vor dem Einsetzen den Gültigkeitsbereich: Recall ist die Sensitivität der festgelegten positiven Klasse. Er beantwortet, welcher Anteil aller tatsächlich positiven Fälle erkannt wurde, und blendet FP sowie TN aus. Der Wert hängt von der Entscheidungsschwelle.
Formelcluster
Recall misst den Anteil der tatsächlichen positiven Fälle, die ein Klassifikator findet.
Von 50 tatsächlich relevanten Fällen findet ein Modell TP=40 und übersieht FN=10. Recall=40/(40+10)=0,80; vier Fünftel der positiven Fälle werden erkannt.
Vollständigkeit von Such-, Screening- oder Alarmverfahren messen, wenn übersehene positive Fälle besonders teuer sind.
Eine typische Aufgabe Schritt für Schritt: Recall (Sensitivität) (Recall = TP/(TP+FN)).
Aufgabe
Erkläre am Beispiel zu Recall (Sensitivität), welche Eingabegrößen zur gesuchten Ausgabe führen.
Rechenweg
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Recall misst den Anteil der tatsächlichen positiven Fälle, die ein Klassifikator findet.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Recall ist der Anteil tatsächlicher positiver Fälle, die als positiv erkannt wurden. Bei TP=40 und FN=10 findet das Modell 40 von 50 positiven Fällen, also Recall=0,80. Falsch positive Meldungen gehen nicht in den Nenner ein. Die Kennzahl beantwortet daher die Frage nach übersehenen Fällen, nicht nach der Zuverlässigkeit positiver Vorhersagen. Für diese zweite Perspektive ist Precision zuständig. Recall beschreibt die Vollständigkeit für eine festgelegte Positivklasse und hängt von Schwelle sowie Testzusammensetzung ab. Vergleiche daher nur dieselbe Zielklasse unter dokumentierten Auswertungsbedingungen. Stichprobenschwankungen sollten anhand von Fallzahlen und Unsicherheitsintervallen mitbeurteilt werden. So bleibt die Auswertung nachvollziehbar.
Lies TP als korrekt erkannte positive Fälle und FN als positive Fälle, die das Modell übersehen hat. Addiere beide und berechne TP/(TP+FN). Sind TP=40 und FN=10, ergibt sich 40/50=0,80. Kontrolliere, dass die Zeilen der Matrix tatsächliche Klassen und die Spalten Vorhersagen darstellen oder umgekehrt; Dokumentationen verwenden beide Anordnungen. Ein falsch abgelesenes Feld vertauscht Recall und Precision. Recall beschreibt die Vollständigkeit für eine festgelegte Positivklasse und hängt von Schwelle sowie Testzusammensetzung ab. Vergleiche daher nur dieselbe Zielklasse unter dokumentierten Auswertungsbedingungen. Stichprobenschwankungen sollten anhand von Fallzahlen und Unsicherheitsintervallen mitbeurteilt werden. So bleibt die Auswertung nachvollziehbar.
Sinkt die Entscheidungsschwelle, werden gewöhnlich mehr Fälle als positiv eingestuft. Dadurch können zusätzliche tatsächliche Positive gefunden und FN reduziert werden, was Recall erhöht. Gleichzeitig steigen oft FP, sodass Precision sinken kann. Dieser Zielkonflikt ist kein Rechenfehler, sondern eine Eigenschaft der gewählten Entscheidungsregel. Berichte deshalb den Schwellenwert und prüfe mehrere Werte mit einer Precision-Recall-Kurve. Recall beschreibt die Vollständigkeit für eine festgelegte Positivklasse und hängt von Schwelle sowie Testzusammensetzung ab. Vergleiche daher nur dieselbe Zielklasse unter dokumentierten Auswertungsbedingungen. Stichprobenschwankungen sollten anhand von Fallzahlen und Unsicherheitsintervallen mitbeurteilt werden. So bleibt die Auswertung nachvollziehbar.
Bei binärer Klassifikation der festgelegten positiven Klasse sind Recall, Sensitivität und True Positive Rate dieselbe Größe: TP/(TP+FN). Die Namen stammen aus unterschiedlichen Anwendungsfeldern. Bei Mehrklassenproblemen wird Recall üblicherweise pro Klasse berechnet; Makro-, Mikro- oder gewichtete Mittelung fasst diese Werte unterschiedlich zusammen. Nenne die Aggregation ausdrücklich, statt einen unqualifizierten Gesamt-Recall anzugeben. Recall beschreibt die Vollständigkeit für eine festgelegte Positivklasse und hängt von Schwelle sowie Testzusammensetzung ab. Vergleiche daher nur dieselbe Zielklasse unter dokumentierten Auswertungsbedingungen. Stichprobenschwankungen sollten anhand von Fallzahlen und Unsicherheitsintervallen mitbeurteilt werden. So bleibt die Auswertung nachvollziehbar.
Wenn TP+FN=0 ist, gibt es im Testdatensatz keinen tatsächlichen positiven Fall. Recall ist dann undefiniert: Es lässt sich nicht prüfen, welcher Anteil positiver Fälle gefunden wurde. Eine Bibliothek kann warnen oder einen Ersatzwert einsetzen, aber das ändert die Aussagekraft des Tests nicht. Stelle sicher, dass die Evaluation repräsentative positive Fälle enthält, oder kennzeichne die Kennzahl als nicht bestimmbar. Recall beschreibt die Vollständigkeit für eine festgelegte Positivklasse und hängt von Schwelle sowie Testzusammensetzung ab. Vergleiche daher nur dieselbe Zielklasse unter dokumentierten Auswertungsbedingungen. Stichprobenschwankungen sollten anhand von Fallzahlen und Unsicherheitsintervallen mitbeurteilt werden. So bleibt die Auswertung nachvollziehbar.
Quanta-Prüfungsset
Kuratiertes Prüfungsset für "Recall (Sensitivität)":
Frage (Vorderseite)
Welche Formel beschreibt Recall (Sensitivität)?
Antwort in deinem Set
Frage (Vorderseite)
Wie stellst du Recall = TP/(TP+FN) nach FN aus Recall um?
Antwort in deinem Set
Frage (Vorderseite)
Welcher typische Fehler passiert bei Recall = TP/(TP+FN)?
Antwort in deinem Set
+ 7 weitere Karten: Einheiten, Variablen, Herleitung, Beispiel, Klausuraufgabe
Das Formelset enthält 10 Karten. Nach der Übernahme kannst du sie prüfen und lernen; deine Bewertungen bestimmen die weiteren Wiederholungen.
Die Liste nennt Fachquellen und weiterführende Literatur. Eine Seiten- oder Abschnittsnummer steht dabei, wenn sie Teil der Literaturangabe ist; es handelt sich nicht um wörtliche Zitate.
Erstelle ein kuratiertes FSRS-Prüfungsset für Recall = TP/(TP+FN): Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.
Kuratiertes Formelset · LaTeX · FSRS Spaced Repetition · übernehmen ab Essential