Sensitivität (Recall)

Der Recall (auch Sensitivität genannt) gibt den Anteil der korrekt erkannten positiven Fälle an allen tatsächlich positiven Fällen an. Er beantwortet die Frage: „Von allen Fällen, die positiv sind, wie viele wurden auch wirklich als positiv erkannt?“

Formal definiert sich der Recall folgendermaßen:

\[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \]

• TP: True Positives – Korrekt vorhergesagte positive Fälle
• FN: False Negatives – Positiv Beispiele, die fälschlicherweise als negativ klassifiziert wurden

Wichtige Eigenschaften

• Aussagekraft: Ein hoher Recall-Wert zeigt, dass kaum positive Fälle übersehen werden.
• Bedeutung in kritischen Anwendungen: Insbesondere in medizinischen Tests oder Sicherheitsanwendungen ist ein hoher Recall entscheidend, um möglichst wenige kritische Fälle zu verpassen.
• Trade-off zur Präzision: Häufig ist ein Kompromiss zwischen Recall und Präzision nötig, da ein sehr hoher Recall auch die Gefahr erhöht, mehr False Positives zu erzeugen.

Recall ist daher eine wichtige Metrik, um zu beurteilen, wie gut ein Modell alle relevanten Fälle erkennt.