评测结果.png
上图是经过实体识别-0跑起来之后的评测结果。
如图所示，每一个类别包含了三个指标值：precision、recall和FB1，并且源代码评测指标使用的是一个基于perl语言的脚本，从readme中发现，使用的是conll2003的评测脚本。
评测脚本-1.png
评测脚本-2.png
但是这是基于perl写的，找了一下基于python语言，但是这里还没有细看代码。先对评测指标和这三个指标值做了简单的了解。
评测指标
评测，其实就是对结果的表现做个数值上的说明。如果但从NER的实验结果来看，得到的是一个个token对应的标签，那么最直观的结果表现就是去分析token对应的标签是否准确，即直接从标签层面去进行分析。但是对于NER这个具有实际意义的任务，这样直接分析显得意义不大，或者意义不明显。如果考虑到实体边界和实体类别，那么就对应到了这一任务所真正要做的事情，评测结果对应的也有了相应的意义。即，这是从命名实体这个层面来进行分析。
这篇文章描述了几种评测标准，内容很详细清晰。下面内容只提到我所参考代码中使用到的评测标准，即conll2003。
评测，就是代码输出标注和真实标注的比较。那么分为这几种情况（Golden Standard表示真实标注，System Prediction表示代码输出标注）
1）标注正确
标注正确.png
2）预测出的实体实际不存在
预测出的实体实际不存在.png
3）是实体但是没有被预测出来
是实体但是没有被预测出来.png
仅考虑这3种情况，并放弃所有其他可能的情况（匹配不完全），有一个简单的分类评估，可以根据假阴性、真阳性和假阳性进行测量，然后计算每个命名实体类型的精确度、召回率和f1分数。
并且按照conll2003中的描述，关于precision，recall和F1值
conll2003评测标准.png
可以简单（只考虑完全匹配）得到这样的公式
precision.png
recall.png
F1（β=1）.png
看到一个解释TP、FP、FN：
单实体评价指标.png
（注：我的理解其实也是在完成了评测指标-1部分，才真正看懂了，回来更新了这一部分。）
我的理解：TF，是否正确识别正例（某类实体），T，完全匹配（边界和类别），F，未识别出来或者识别不完全（边界或类别判定错误）；PN，正例（某类实体）是否被识别出来，识别出来就是P，未识别出来就是N。因此，TP和FP加起来就是所有被识别出的正例，包括识别完全正确和识别部分正确，即从完全匹配的角度表达识别的准确性，被识别出来的有多少是真正的被识别出来（完全匹配）即precision；TP和FN加起来就是，所有被完全正确识别的实体和未被识别出来（识别不完全也算未被识别出来）的实体，即recall，即正例有多少被识别出来。
知道了某类实体的评价指标，往往需要计算整体，非单一类别实体的评价指标，因此有两种计算思路
多实体评价指标.png
根据TP、FP、FN可以得到precision、recall和f1值。
