Recall هو مصطلح يُستخدم في مجالات متعددة مثل الإحصاء، علوم البيانات، والتعلم الآلي، ويعني بالعربية "الاستدعاء" أو "الاستذكار". ببساطة، يشير Recall إلى قدرة نظام أو نموذج على استرجاع جميع العناصر ذات الصلة أو الصحيحة من بين جميع العناصر المتاحة. في سياق تقييم النماذج التصنيفية، يعبر Recall عن مدى جودة النموذج في اكتشاف كل العينات الإيجابية الصحيحة.
معنى Recall في علوم البيانات والتعلم الآلي
Recall هو مقياس يستخدم لتقييم أداء النماذج التي تصنف البيانات إلى فئات مثل اكتشاف الإصابة بمرض معين، تصنيف البريد الإلكتروني كرسائل مزعجة، أو التعرف على الصور. يعبر Recall عن نسبة العناصر الإيجابية التي تم التقاطها بشكل صحيح من بين كل العناصر الإيجابية الحقيقية الموجودة في البيانات.
يُحسب Recall باستخدام المعادلة التالية:
Recall = (عدد العناصر الإيجابية المكتشفة بشكل صحيح) ÷ (إجمالي العناصر الإيجابية الحقيقية)
بمعنى آخر، إذا كانت لدينا 100 حالة إيجابية حقيقية من مرض ما، والنموذج استطاع اكتشاف 90 منها، فإن Recall يساوي 0.9 أو 90%* مما يعني أن النموذج دقيق جدًا في التعرف على الحالات الحقيقية ولكنه قد لا يتطرق للسلبية أو الأخطاء المختلفة.
أهمية Recall ومتى يجب التركيز عليه
في بعض التطبيقات، يكون من المهم جداً ألا تفوت النماذج أي عنصر إيجابي مهم، حتى لو كان ذلك يعني وجود بعض التشويش أو الأخطاء. على سبيل المثال في التشخيص الطبي، فإن فقدان حالة مرضية إيجابية يعتبر خطأ كبيراً، لذلك يتم التركيز على رفع Recall لضمان كشف جميع الحالات المرضية المحتملة.
ومع ذلك، ارتفاع Recall قد يصاحبه انخفاض في مقياس آخر يسمى Precision (الدقة)* والذي يشير إلى نسبة العناصر المكتشفة بدقة وليس كل العناصر المشكوك فيها. لذلك يجب موازنتهما بغرض الحصول على نموذج شامل وفعال.
تطبيقات Recall في الحياة اليومية
إلى جانب علوم البيانات، يُستخدم الترمز Recall في سياقات أخرى مثل أنظمة البحث، حيث يكون الهدف هو استرجاع أكبر عدد ممكن من المستندات المرتبطة بالكلمة المفتاحية للبحث. كلما ارتفع Recall في هذه الحالة، زادت فرص ظهور كل المستندات ذات الصلة، لكنها قد تتضمن كذلك بعض النتائج الأقل صلة.
بالتالي، فهم Recall يساعد الأفراد والمطورين على تقييم وتحسين النماذج والأنظمة التي تعتمد على تصنيف أو استرجاع المعلومات، لتحقيق أفضل توازن بين اكتشاف كل ما هو مهم وتقليل الأخطاء.
