杭州网站公司,google网站建设,vps搬家wordpress,wordpress修改页面样式表怎么来的#xff1f; 我们平时用的精度accuracy#xff0c;也就是整体的正确率 acc predict_right_num / predict_num 这个虽然常用#xff0c;但不能满足所有任务的需求。比如#xff0c;因为香蕉太多了#xff0c;也不能拨开人工的一个一个的看它的好坏(我爱吃啊#… 怎么来的 我们平时用的精度accuracy也就是整体的正确率 acc predict_right_num / predict_num 这个虽然常用但不能满足所有任务的需求。比如因为香蕉太多了也不能拨开人工的一个一个的看它的好坏(我爱吃啊想想就心疼)此时我们就需要有一种方法代替拨开香蕉这种粗鲁的手段。这时我们需要通过一些测试看看哪种方法能更加准确的预测。我们可以通过 “准”预测的准确度就是我预测的结果中真正好的香蕉要越多越好 “全”就是所有的好的香蕉预测出来的越多越好虽然把有些坏的也预测是好的了那也不管“全”就行。 其实这两者都想要达到就好了但是不行的 比如准,我就预测一个算了好的香蕉肯定比坏的比例高也就是我只预测一个100%比例几率最大了这时就不“全”了海域好多好的不能都当成坏的扔了吧。。 再比如全,我去全部预测成好的这真正好的都在我的预测里也就是100%。可是这时的准就贼不准了。。 所以就必须来平衡这俩同志的关系了怎么平衡呢肯定是通过权重来的呀此时F值登上历史舞台! 啥意思捏 实例化讲解吧。比如我们的香蕉中 1 表示好的0表示坏的有10个香蕉 gold : [ 1111100000 ] pred [ 1011111000 ] 注释gold是现实的好坏pred是预测的好坏。 P(Precision) 查准率就是上面说的准。字面意思好理解呀就是在预测当中查找准确个数的比例。公式为 P 真正预测准确的数量 / 预测是准确的数量 4 / 6 R(Recall) 查全率就是上面的全。根据字面理解在预测中看看真正预测对的占全有对的比率。公式为 R 真正预测准确的数量 / 所有真正好的数量 4 / 5 F值是 F(k) ( 1 k ) * P * R / ( ( k*k ) * P R ) 注释k0 度量了 查全率 对 查准率 的相对重要性。k1查全率有更大影响k1查准率有更大影响。 在这个实例中可以表示为k1就是查全率有更大影响就是好的香蕉最好都预测出来因为你觉得不想把好的当成坏的扔点( 真可惜我爱吃啊 ) k1查准率有更大影响就是一定要准确省时间省力更重要不在乎好的香蕉当坏的扔点。 而我们常用的是F1就是F(1)的意思k1比如我们做一个分类任务这几个类觉得都一样重要。此时 F(1) 2 * P * R / ( P R ) 代码实现 背景用evalList的长度是我需要求的PRF1的个数比如我的实验是立场检测分类为FAVOR(支持)AGAINST(反对)NONE(中立)。而NONE一般不考虑只要求得FAVORAGAINST各自的PRF1然后F1求个平均即可。比如这个论文的数据 from Stance Detection with Bidirectional Conditional Encoding paper 这时我的evalList里有两个数据分别表示FAVORAGAINST各自的PRF1值。 这个PRF1的代码为 code print 就这样吧。应该讲的很详细了 作者zenRRan链接https://www.jianshu.com/p/6536d584d5fd來源简书简书著作权归作者所有任何形式的转载都请联系作者获得授权并注明出处。转载于:https://www.cnblogs.com/yourcool/p/9609538.html
