实体识别-1(评测指标-0)

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。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,772评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,458评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,610评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,640评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,657评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,590评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,962评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,631评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,870评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,611评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,704评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,386评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,969评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,944评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,179评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,742评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,440评论 2 342

推荐阅读更多精彩内容