Recall

Okt. 17, 2025

—

von

Philipp: Schweizer KI Akademie

Einfach erklärt

Recall (Trefferquote) sagt: Von allen wirklich positiven Fällen – wie viele hat das Modell gefunden?
Je weniger Übersehen, desto höher der Recall.

Kurz: Recall hoch = kaum verpasste Positive.

Ganz einfache Beispiele (mit Alltagsbildern)

• Spam‑Filter: Von aller Spam‑Post – wie viel landet wirklich im Spam‑Ordner? Rutscht viel durch → niedriger Recall.
• Krebs‑Screening: Von allen tatsächlich Kranken – wie viele markiert der Test als auffällig? Viele Übersehene → niedriger Recall.
• Schatzsuche im Lager: Wie viele der gesuchten Teile wurden am Ende gefunden? Wenn vieles fehlt → niedriger Recall.

Professionelle Definition (verständlich)

Bei binärer Klassifikation:

True Positive (TP): korrekt als positiv erkannt.
False Negative (FN): positiv, aber nicht erkannt (übersehen).

Recall = TP / (TP + FN).
Er misst die Vollständigkeit der gefundenen Positiven.

Wichtige Hinweise:

Trade‑off mit Precision: Höherer Recall gelingt oft, wenn man großzügiger entscheidet (niedrige Schwelle) – dann steigt häufig die Zahl falscher Positive (Precision sinkt).
Klassengewicht / Imbalance: Recall ist hilfreich, wenn Positive selten sind und Übersehen teuer wäre.

Mehrklassen / Multilabel:

Macro‑Recall: Mittel der Recall‑Werte je Klasse (alle gleich gewichtet).
Weighted‑Recall: wie Macro, aber nach Klassenhäufigkeit gewichtet.
Micro‑Recall: zählt TP/FN global über alle Klassen – entspricht dem Recall aus aggregierten Zahlen.

Praxis‑Tipps

Wenn Übersehen kritisch ist (z. B. Betrug, Krankheit, Sicherheitsalarm), optimiere Recall oder setze eine niedrigere Schwelle.
Zusammen mit Precision betrachten (und ggf. F1), um Balance zu halten.
Mit PR‑Kurve und PR‑AUC prüfen, wie sich Recall und Precision über Schwellen verhalten.
Kalibrierte Wahrscheinlichkeiten helfen, Schwellen sinnvoll zu setzen.