Recall (deutsch: Trefferquote oder Sensitivität) misst, wie vollständig ein Klassifikations-Modell die tatsächlich positiven Fälle findet. Die Frage dahinter: "Von allen Fällen, die wirklich positiv sind — wie viele hat das Modell erkannt?" Je höher der Recall, desto seltener werden positive Fälle übersehen (False Negatives).
Formel und Berechnung
Recall = TP / (TP + FN)- TP (True Positive): richtig erkannte positive Fälle.
- FN (False Negative): positive Fälle, die das Modell übersehen hat.
Die Werte stammen aus der Confusion Matrix. Beispiel: Unter 100 wirklich kranken Patienten erkennt ein Screening-Test 95 — dann ist Recall = 95 / 100 = 0,95 (95 %). Die 5 übersehenen Patienten sind die False Negatives.
Was heißt ein hoher Recall im Alltag?
- Medizinische Vorsorge: Ein hoher Recall bedeutet, dass kaum Tumore oder Krankheiten übersehen werden — auch wenn dafür mehr Fehlalarme (False Positives) in Kauf genommen werden.
- Bedrohungserkennung: In der IT-Sicherheit werden Angriffe zuverlässig gemeldet; ein übersehener Angriff ist schlimmer als ein falscher Alarm.
- Betrugserkennung: Verdächtige Transaktionen werden selten übersehen, auch wenn manche Kunden fälschlich geprüft werden.
Der Trade-off mit Precision
Recall und Precision stehen meist in Konkurrenz. Wer die Entscheidungsschwelle des Modells senkt (es meldet mehr Fälle als positiv), erhöht den Recall, verliert aber Precision — es kommen mehr False Positives dazu. Der F1-Score fasst beide Werte als harmonisches Mittel zusammen, wenn ein ausgewogener Kompromiss gefragt ist.
Wann ist Recall wichtiger als Precision?
Immer dann, wenn ein übersehener positiver Fall teurer ist als ein Fehlalarm. Klassische Beispiele: Krebsvorsorge (keine Tumore übersehen), Brandmeldesysteme (lieber Fehlalarm als zu spät), Sicherheitswarnungen und schwerwiegende Betrugsfälle. In der Medizin wird Recall oft Sensitivität genannt — das Gegenstück ist die Spezifität (Anteil korrekt erkannter Negativfälle).
Recall gehört zu den Grundmetriken des Supervised Learning und wird zusammen mit Precision und der Confusion Matrix eingesetzt, um KI-Modelle fair zu bewerten.