命名实体识别(NER)-模型评估：词级别评估、实体级别评估【Precision、Recall、F1】

本文主要是介绍命名实体识别(NER)-模型评估：词级别评估、实体级别评估【Precision、Recall、F1】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、概述

命名实体识别的评判标准：实体的边界是否正确;实体的类型是否标注正确。主要错误类型包括：

• 文本正确,类型可能错误;
• 反之,文本边界错误,而其包含的主要实体词和词类标记可能正确。

对于二分类的模型，预测结果与实际结果分别可以取0和1。我们用N和P代替0和1，T和F表示预测正确和错误。将他们两两组合，就形成了下图所示的混淆矩阵（注意：组合结果都是针对预测结果而言的）。

由于1和0是数字，阅读性不好，所以我们分别用P和N表示1和0两种结果。变换之后为PP，PN，NP，NN，阅读性也很差，我并不能轻易地看出来预测的正确性与否。因此，为了能够更清楚地分辨各种预测情况是否正确，我们将其中一个符号修改为T和F，以便于分辨出结果。

• P（Positive）：代表 1
• N（Negative）：代表 0
• T（True）：代表预测正确
• F（False）：代表预测错误

• 准确率(Accuracy)：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
  $$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}=\frac{TP+TN}{总样本数量}$$
• 精确率(Precision)**：精指分类正确的正样本个数（TP）占分类器判定为正样本的样本个数（TP+FP）的比例。
  $$Precision=\frac{TP}{TP+FP}=\frac{分类正确的正样本个数}{判定为正样本的样本个数}$$
• 召回率(Recall)：召回率是指分类正确的正样本个数（TP）占真正的正样本个数（TP+FN）的比例。
  $$Recall=\frac{TP}{TP+FN}=\frac{分类正确的正样本个数}{真正的正样本个数}$$
• F1-Measure值：就是精确率和召回率的调和平均值。
  F 1 − M e a s u r e = 2 1 P r e c i s i o n + 1 R e c a l l \begin{aligned}F1-Measure=\cfrac{2}{\cfrac{1}{Precision}+\cfrac{1}{Recall}}\end{aligned} F1−Measure=

这篇关于命名实体识别(NER)-模型评估：词级别评估、实体级别评估【Precision、Recall、F1】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---