Bert-Chinese-Text-Classification-Pytorch-master指标学习(自用待补充)

最新推荐文章于 2024-05-21 17:57:22 发布

代码小学渣

最新推荐文章于 2024-05-21 17:57:22 发布

阅读量672

点赞数 2

分类专栏：毕设文章标签： bert pytorch 学习

本文链接：https://blog.csdn.net/yansl072516/article/details/125523247

版权

本文介绍了模型评估中的关键指标，如混淆矩阵、精确率、召回率和F1分数，并探讨了预训练词向量与分词器匹配的重要性。在面对数据噪声时，提出了应对策略，包括选择合适的模型输入粒度和处理错误标注。此外，还讨论了在类别不均衡问题上的处理方法和模型调参技巧。

摘要由CSDN通过智能技术生成

Bert-Chinese-Text-Classification-Pytorch-master指标学习

在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。

	预测成正例	预测成反例	加和含义	统计量
正例	TP	FN	TP+FN表示实际数据集中正样本的数量	召回率TPR=TP/(TP+FN)
反例	FP	TN	FP+TN表示实际数据集中负样本的数量	召回率FPR =FP/(FP+TN)
加和含义	TP+FP表示预测为正类样本数	FN+TN表示预测的负类样本数
统计量	精确率=TP/(TP+FP)			正确率=（TP+TN）/(TP+TN+FP