Recall alto significa que o modelo é bom?
Não isoladamente. É preciso considerar precisão, impacto dos erros, distribuição dos dados e contexto.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
Sensibilidade · True Positive Rate · Taxa de Verdadeiros Positivos
Recall é a proporção dos casos positivos reais que o modelo identifica corretamente, calculada como verdadeiros positivos divididos por todos os positivos reais.
A métrica responde: entre todos os casos que deveriam ser encontrados, quantos o modelo encontrou?
Em classificação binária, recall é TP dividido por TP mais FN. Ele também é chamado de sensibilidade ou taxa de verdadeiros positivos.
Verdadeiros positivos entram no numerador. O denominador inclui verdadeiros positivos e falsos negativos, que são casos existentes que o modelo deixou passar.
Reduzir o limiar costuma aumentar recall e também pode elevar falsos positivos, diminuindo precisão.
Há 40 registros com uma inconformidade e o sistema encontra 34. O recall é 34 dividido por 40, ou 85%, independentemente de quantos alertas extras ele produziu.
É possível alcançar recall alto marcando quase tudo como positivo, com muitos falsos alarmes.
Recall isolado não informa a qualidade das previsões positivas nem o desempenho sobre a classe negativa.
Classificação, Precisão, F1 Score, Matriz de confusão, Conjunto de teste
Não isoladamente. É preciso considerar precisão, impacto dos erros, distribuição dos dados e contexto.
Quando deixar um positivo real sem detecção tem custo ou risco elevado.
Revisado em 2026-10-18.