Tanım
Recall, makine öğrenimi ve sınıflandırma problemlerinde modelin gerçek pozitif örneklerin ne kadarını doğru şekilde yakaladığını ölçen performans metriğidir. Türkçede duyarlılık veya geri çağırma olarak açıklanabilir.
Recall, özellikle kaçırılmaması gereken durumların önemli olduğu senaryolarda kritik hale gelir. Örneğin fraud detection, hastalık tespiti, churn riski veya güvenlik uyarılarında gerçek pozitifleri kaçırmak ciddi sonuçlar doğurabilir.
Recall değeri yüksekse model, pozitif vakaların büyük bölümünü yakalıyordur. Ancak bu her zaman modelin mükemmel olduğu anlamına gelmez; precision düşükse model çok fazla yanlış pozitif de üretiyor olabilir.
Kökeni
Recall kavramı, bilgi erişimi ve sınıflandırma değerlendirme alanlarından gelir. Bir sistemin alakalı veya pozitif olan öğeleri ne kadar iyi bulduğunu ölçmek için geliştirilmiştir.
Arama sistemlerinde recall, ilgili dokümanların ne kadarının geri getirildiğini ifade eder. Makine öğreniminde ise gerçek pozitiflerin ne kadarının doğru pozitif tahmin edildiğini gösterir.
Model değerlendirmesinde recall genellikle precision, F1 score ve confusion matrix ile birlikte yorumlanır. Tek başına recall yüksekliği, modelin yanlış alarm üretmediğini göstermez.
Nerelerde Kullanılır?
Recall; fraud detection, spam detection, churn prediction, hastalık teşhisi, lead scoring, içerik moderasyonu, bilgi erişimi ve arama sistemlerinde kullanılır.
Bir churn modeli, gerçekten ayrılacak müşterilerin çoğunu riskli olarak işaretliyorsa recall değeri yüksek olabilir. Ancak birçok sağlıklı müşteriyi de riskli işaretliyorsa precision düşük olabilir.
AI Search ve retrieval sistemlerinde recall, kullanıcının sorusuyla ilgili kaynakların getirme aşamasında kaçırılıp kaçırılmadığını değerlendirmek için önemlidir.
Örnek Kullanım
Bir model 100 gerçek fraud işleminin 90’ını doğru yakalıyorsa recall değeri yüksektir. Ancak 500 normal işlemi de yanlışlıkla fraud işaretliyorsa precision sorunu vardır.
Bir data scientist, “Bu kullanımda recall daha önemli; riskli müşterileri kaçırmak istemiyoruz” diyebilir.
Karıştırılan Kavramlar
- Recall ve Precision: Recall gerçek pozitiflerin ne kadarının yakalandığını ölçer. Precision pozitif tahminlerin ne kadarının doğru olduğunu ölçer.
- Recall ve Accuracy: Accuracy tüm doğru tahminlerin oranıdır. Recall pozitif sınıfı yakalama başarısına odaklanır.
- Recall ve F1 Score: F1 Score precision ve recall dengesini tek metrikte özetler.
- Recall ve Retrieval: Retrieval bilgi getirme sürecidir. Recall bu süreçte ilgili öğelerin ne kadarının bulunduğunu ölçebilir.
İlgili Terimler
- Precision
- F1 Score
- Accuracy
- Confusion Matrix
- Model Evaluation
- Classification
- Machine Learning
- Retrieval
- ROC-AUC
Büyüme Mimarisi Notu
Recall, büyüme mimarisinde kaçırılmaması gereken fırsatları veya riskleri ölçmek için önemlidir. Churn riski, yüksek niyetli lead veya fraud sinyali gibi durumlarda düşük recall ciddi kayıp yaratabilir.
Ancak recall tek başına optimize edilirse yanlış pozitifler artabilir. Growth modellerinde recall, precision ve iş maliyeti birlikte dengelenmelidir.