PaddlePaddle

 paddle.fluid / evaluator / ChunkEvaluator


ChunkEvaluator

class paddle.fluid.metrics. ChunkEvaluator ( name=None ) [源代码]

该接口使用mini-batch的chunk_eval累计的counter numbers,来计算准确率、召回率和F1值。ChunkEvaluator有三个状态num_infer_chunks,num_label_chunks和num_correct_chunks,分别对应语块数目、标签中的语块数目、正确识别的语块数目。对于chunking的基础知识,请参考 https://www.aclweb.org/anthology/N01-1025 。ChunkEvalEvaluator计算块检测(chunk detection)的准确率,召回率和F1值,支持IOB, IOE, IOBES和IO标注方案。

参数:
  • name (str,可选) – 具体用法请参见 Name ,一般无需设置,默认值为None。

返回:初始化后的 ChunkEvaluator 对象

返回类型:ChunkEvaluator

代码示例

import paddle.fluid as fluid

# 初始化chunck-level的评价管理。
metric = fluid.metrics.ChunkEvaluator()

# 假设模型预测10个chuncks,其中8个为正确,且真值有9个chuncks。
num_infer_chunks = 10
num_label_chunks = 9
num_correct_chunks = 8

metric.update(num_infer_chunks, num_label_chunks, num_correct_chunks)
numpy_precision, numpy_recall, numpy_f1 = metric.eval()

print("precision: %.2f, recall: %.2f, f1: %.2f" % (numpy_precision, numpy_recall, numpy_f1))

# 下一个batch,完美地预测了3个正确的chuncks。
num_infer_chunks = 3
num_label_chunks = 3
num_correct_chunks = 3

metric.update(num_infer_chunks, num_label_chunks, num_correct_chunks)
numpy_precision, numpy_recall, numpy_f1 = metric.eval()

print("precision: %.2f, recall: %.2f, f1: %.2f" % (numpy_precision, numpy_recall, numpy_f1))
update ( num_infer_chunks, num_label_chunks, num_correct_chunks )

该函数使用输入的(num_infer_chunks, num_label_chunks, num_correct_chunks)来累计更新ChunkEvaluator对象的对应状态,更新方式如下:

\[\begin{split}\\ \begin{array}{l}{\text { self. num_infer_chunks }+=\text { num_infer_chunks }} \\ {\text { self. num_Label_chunks }+=\text { num_label_chunks }} \\ {\text { self. num_correct_chunks }+=\text { num_correct_chunks }}\end{array} \\\end{split}\]
参数:
  • num_infer_chunks (int|numpy.array) – 给定mini-batch的语块数目。

  • num_label_chunks (int|numpy.array) - 给定mini-batch的标签中的语块数目。

  • num_correct_chunks (int|numpy.array)— 给定mini-batch的正确识别的语块数目。

返回:无

eval ( )

该函数计算并返回准确率,召回率和F1值。

返回:准确率,召回率和F1值

返回类型:float


此页内容是否对您有帮助