NLP中P,R,F1,acc含义以及怎么求

已于 2022-03-10 14:44:18 修改
阅读量6.1k 收藏 11
点赞数 5
文章标签： 自然语言处理 机器学习 分类
于 2021-06-19 10:05:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qitiao7777777/article/details/118048212
版权

在NLP中P,R,F1,acc的含义

一、什么是TP/FN/FP/TN

TP: Ture Positive 把正的判断为正的数目。
FN: False Negative 把正的错判为负的数目。
FP: False Positive 把负的错判为正的数目。
TN: True Negative 把负的判为负的数目。

二、P（Precision）精确率

精确率就是算正样本中有多少是正确的。（简单来说是你预测为正的样本中有多少是正确的）
公式：P=TP/(TP+FP)

三、R(Recall)召回率

召回率是所有的正样本中有多少被预测正确了
公式：R=TP/(TP+FN)

四、F1

F1就是综合P,R
公式：F1=2PR/(R+P)

五、acc（Accuracy）准确率

准确率是有多少样本被预测正确
公式：acc=(TP+TN)/(TP+FN+TN+FP)

qitiao7777777
关注
  • 5
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
关于分类任务的常见指标一文就够了（P、R、F1、ROC、AUROC、AP）
qq_42212890的博客
03-08 2446
常见的分类任务所涉及到的指标，P、R、PR、F1、ROC、AUROC、AP，适合日常查阅
机器学习/深度学习/NLP-7-准确率acc、精确率P、召回率R、F1、交叉熵
王小二的博客
08-19 2673
机器学习/深度学习/NLP-7-准确率acc、精确率P、召回率R、F1、交叉熵TP/FN/FP/TN准确率acc精确率P召回率RF1实例交叉熵 TP/FN/FP/TN TP: Ture Positive 把正的判断为正的数目。 FN: False Negative 把正的错判为负的数目。 FP: False Positive 把负的错判为正的数目。 TN: True Negative 把负的判为负的数目。 准确率acc 准确率(Accuracy)是指在所有的判断中有多少判断正确的，即把正的判断为正的，把
P R F1 等性能度量（二分类、多分类）
marmalade要天天向上
05-01 6862
总结自《机器学习》周志华 2.3 目录 最常用的是查准率P（precision），查全率R（recall），F1 一、对于二分类问题 二、对于多分类问题 1.macro 2.micro 最常用的是查准率P（precision），查全率R（recall），F1 一、对于二分类问题 混淆矩阵（confusion matrix）： 预测结果 真实情况 ...
详谈P(查准率)，R(查全率)，F1值
zenRRan的博客
03-07 5299
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...
谈P(查准率)，R(查全率)，F1值
世上再无张显宗
11-11 1498
1. 引例 比如我们的香蕉中 1 表示好的，0表示坏的，有10个香蕉： gold : [ 1，1，1，1，1，0，0，0，0，0 ] pred： [ 1，0，1，1，1，1，1，0，0，0 ] 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...
分词算法的评估标准：P、R、F1
筱筱思的博客
12-20 1227
准确率Precision = 正确切分出的词的数目/切分出的词的总数 召回率Recall = 正确切分出的词的数目/应切分出的词的总数 F1 = 2PrecisitonRecall/(Precision+Recall)
P,R,F1 等性能度量（二分类、多分类）
weixin_30439067的博客
09-05 443
总结自《机器学习》周志华 2.3 目录 最常用的是查准率P（precision），查全率R（recall），F1 一、对于二分类问题 二、对于多分类问题 1.macro 2.micro 最常用的是查准率P（precision），查全率R（recall），F1 一、对于二分类问题 混淆矩阵（confusion matrix）： ...
NLP常见任务及评估指标
ph12345687的博客
04-21 6577
整理了一些常见的NLP任务评价指标
自然语言处理NLP中文分词之IT词库.zip
03-31
自然语言处理NLP中文分词之IT词库.zip IT词库
本科毕业设计-自然语言处理+NLP+中文文本分类实战-垃圾短信识别
06-24
本科毕业设计——自然语言处理+NLP+中文文本分类实战——垃圾短信识别本科毕业设计——自然语言处理+NLP+中文文本分类实战——垃圾短信识别本科毕业设计——自然语言处理+NLP+中文文本分类实战——垃圾短信识别本科...
自然语言处理数据集（NLP）-200多万条中文分词词库.rar
11-16
自然语言处理（NLP）是计算机科学领域的一个重要分支，主要关注如何使计算机理解、解析、生成和操作人类自然语言。在NLP中，中文分词是基础且关键的步骤，因为中文句子没有明显的空格分隔，词的边界不明确，这给...
自然语言处理数据集（NLP）-中文命名实体识别数据集.rar
11-12
自然语言处理（NLP）是计算机科学领域的一个重要分支，主要关注如何使计算机理解、解析、生成和操作人类自然语言。在NLP中，中文命名实体识别（Chinese Named Entity Recognition, CNER）是一项核心任务，它涉及到从...
自然语言处理数据集（NLP）-中文缩写词库.rar
11-16
自然语言处理数据集（NLP）——中文缩写词库.rar
查准率、查全率、P-R图与F1值
weixin_43797015的博客
11-23 3284
介绍了查全率、查准率、P-R曲线和F1值。通过简单的例子解释了P-R曲线的绘制过程
NLP：F1-Score 精确率 - P 准确率 -Acc 召回率 - R
专心致志写BUG的博客
07-21 1558
机器学习 F1-Score 精确率 - P 准确率 -Acc 召回率 - R 准确率 召回率 精确率 ： 　　准确率->accuracy, 精确率->precision. 召回率-> recall.三者很像，但是并不同，简单来说三者的目的对象并不相同。 　　大多时候我们需要将三者放到特定的任务环境中才会更加明显的感觉到三者的差异。 　　在介绍这些之前，我们先回顾一下我们的混淆矩阵。 True Positive(真正, TP)：将正类预测为正类数. True Negative(.
【从入门到高阶】NLP 算法的流程、主要任务及涉及算法，全都囊括了(Python 实战)
Python数据挖掘
05-23 4690
NLP是人工智能领域历史较为悠久的领域，但由于语言的复杂性（语言表达多样性/歧义/模糊等等），如今的发展及收效相对缓慢。比尔·盖茨曾说过，“NLP是 AI 皇冠上的明珠。” 在光鲜绚丽的同时，却可望而不可及（…）。 为了揭开NLP的神秘面纱，本文接下来会梳理下NLP流程、主要任务及算法，并最终落到实际NLP项目（经典的文本分类任务的实战），喜欢记得收藏、关注、点赞。 完整代码、资料、技术交流文末获取 NLP主要任务及技术 NLP任务可以大致分为词法分析、句法分析、语义分析三个层面。具体的，本文按照单词-》句
自然语言处理之准确率、召回率、F1理解
小亮Machine Learning
05-02 7177
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要。1、准确率与召回率（Precision & Recall）准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。...
机器学习评价指标（ACC,P,R,F1,AUC等）
热门推荐
huipingx的博客
12-15 4万+
分类 TP：正例预测正确的个数 FP：负例预测错误的个数 TN：负例预测正确的个数 FN：正例预测错误的个数 准确率（accuracy） 精确率（precision） 描述的是在所有预测出来的正例中有多少是真的正例 准确率与精确率的区别： 在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点...
论文翻译：Large Language Models for Education: A Survey and Outlook
最新发布
CSPhD-winston的博客
07-12 1203
大型语言模型（LLMs）的出现为教育领域带来了新的可能性时代。这篇综述论文从多方面的角度总结了LLMs在教育环境中的各类技术，包括学生和教师的辅助、自适应学习和商业工具。我们系统性地回顾了每个角度的技术进步，整理了相关的数据集和基准测试，并识别了在教育中部署LLMs所面临的风险和挑战。此外，我们概述了未来的研究方向，突出了潜在的有希望的方向。我们的调查旨在为教育工作者、研究人员和政策制定者提供一个全面技术图景，利用LLMs的力量来彻底改变教育实践，并促进更有效的个性化学习环境的形成。
北大语言学 自然语言处理课程 NLP系列课程 6_隐马尔科夫模型 共40页.pptx
04-26
【课程简介】 本课程适合所有需要学习自然语言处理技术的同学，课件内容制作精细，由浅入深，适合入门或进行知识回顾。 本章为该课程的其中一个章节，如有需要可下载全部课程 全套资源下载地址：https://download.csdn.net/download/qq_27595745/85227773 【全部课程列表】 1_自然语言处理概论 共48页.pdf 2_机器学习与自然语言处理 共33页.pdf 3_n元模型 共33页.pdf 4_数据平滑技术 共39页.pdf 5_汉语分词 共34页.pdf 6_隐马尔科夫模型 共40页.pdf 7_词类标注 共32页.pdf 8_ME&CRF 共48页.pdf 9_常见深度学习模型 共49页.pdf 10_词向量 共38页.pdf 11_基于上下文无关文法的句法分析 共62页.pdf 12_PCFG和统计句法分析 共50页.pdf 13_依存句法分析介绍 共44页.pdf 14_自然语言处理中的话题模型 共48页.pdf 15_机器翻译概述 共45页.pdf

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值