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：

  1. import paddle.fluid as fluid
  3. # 初始化chunck-level的评价管理。
  4. metric = fluid.metrics.ChunkEvaluator()
  6. # 假设模型预测10个chuncks，其中8个为正确，且真值有9个chuncks。
  7. num_infer_chunks = 10
  8. num_label_chunks = 9
  9. num_correct_chunks = 8
  11. metric.update(num_infer_chunks, num_label_chunks, num_correct_chunks)
  12. numpy_precision, numpy_recall, numpy_f1 = metric.eval()
  14. print("precision: %.2f, recall: %.2f, f1: %.2f" % (numpy_precision, numpy_recall, numpy_f1))
  16. # 下一个batch，完美地预测了3个正确的chuncks。
  17. num_infer_chunks = 3
  18. num_label_chunks = 3
  19. num_correct_chunks = 3
  21. metric.update(num_infer_chunks, num_label_chunks, num_correct_chunks)
  22. numpy_precision, numpy_recall, numpy_f1 = metric.eval()
  24. 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：

ChunkEvaluator - 图1

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