Recall

Recall mide cuántos de los objetos (p. ej. imágenes o nubes de puntos) que un modelo de IA debería haber predicho correctamente han sido realmente predichos de forma correcta. Ejemplo: Cuando un modelo de IA predice si una pieza es correcta o no lo es, Recall para el caso de que no sea correcta será la proporción de piezas no correctas que se han identificado correctamente como no correctas. En este caso, Recall proporciona una respuesta a la pregunta: “De todas las piezas no correctas, ¿cuántas ha detectado el modelo de IA?” Otro término importante en este contexto es Precision (précision). Precision indica cuántas de las tareas previstas como correctas por un modelo de IA son verdaderamente correctas. Por ejemplo, si un modelo de IA predice si una pieza es o no es correcta, la precisión para que no sea correcta es la proporción de piezas que se han predicho como no correctas y son realmente no correctas, es decir, la respuesta: “Si el modelo de IA dice no correcta, ¿con qué frecuencia es correcto?”