Recall
Het aandeel werkelijk positieve gevallen dat het model terecht als positief herkent.
Hoeveel relevante gevallen worden herkend?
Recall meet welk aandeel van de volgens de referentie werkelijk positieve gevallen terecht als positief wordt herkend. De formule is TP / (TP + FN): TP zijn terecht herkende positieve en FN gemiste positieve gevallen. De positieve klasse moet vaststaan. Als de beoordeling geen werkelijk positieve gevallen bevat, is de noemer nul en de verhouding ongedefinieerd. Die situatie moet zichtbaar blijven in het verslag.
In het fictieve rekenvoorbeeld met 50 servicevragen horen er volgens de afgesproken toewijzingsregel 20 bij technische service. Het model herkent er 18 terecht en mist er 2. De recall is 18 / 20 = 90 %. Voor de werkplanning toont dit het gat bij de gevallen die het technische team zouden moeten bereiken. Hoeveel andere vragen er ook onterecht terechtkomen, blijkt hier niet uit; precisie bekijkt die kant. Of een instelling bruikbaar is, wordt beoordeeld aan de hand van beide fouttypen en hun gevolgen in het concrete proces.
Bronnen
Verwante begrippen
- LLM-evaluatieLLM-evaluatie toetst modeluitvoer aan vastgelegde taken en criteria. Eén goed voorbeeld bewijst geen algemene kwaliteit.
- Testgegevens bij machine learningGegevens voor de eindbeoordeling waarvan de resultaten niet zijn gebruikt om de beoordeelde modelvariant te kiezen.
- PrecisieHet aandeel werkelijk positieve gevallen onder alle gevallen die het model als positief markeert.
- F1-scoreHet harmonisch gemiddelde van precisie en recall voor dezelfde positieve klasse.
- VerwarringsmatrixEen tabel die referentieklassen en modelvoorspellingen vergelijkt en juiste en onjuiste toewijzingen telt.
- Herordening van zoekresultatenHerordening beoordeelt gevonden zoekkandidaten opnieuw. De aansluiting op de vraag en de grenzen van de eerste selectie blijven bepalend.
Uw project met ASES
Beschrijf ons uw project. We nemen contact met u op met een eerste inschatting.