NLP-准确率、精确率、召回率和F1值

spring_willow spring_willow 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1w累计阅读 1w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄10年
关注
VIP免费 原创 最新推荐文章于 2026-08-24 14:40:13 发布 1w 阅读 AI 写同款· GEO 优化 ›
NLP NER 任务中的精确度（Precision）、召回率（Recall）和F1值 在自然语言处理（NLP）中的命名实体识别（NER）任务中，精确度（Precision）、召回率（Recall）和F1值是评估模型性能的关键指标。这些指标帮助我们了解模型在识别正确实体方面的效率和准确性。在NER任务中，这些指标特别重要，因为它们帮助我们理解模型在识别不同类型的实体时的表现，包括模型是否错过了某些实体（低召回率），或者是否将很多不相关的词误认为是实体（低精确度）。通常，我们会寻求一个高F1值的模型，因为这意味着模型在保持较高精确度的同时也有较好的召回率。数据集中实际的实体总数。 阅读详情

记录准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1值(F-Measure)计算公式，和如何使用TensorFlow实现

一、计算公式

  • True Positive(TP)：将正类预测为正类数
  • True Negative(TN)：将负类预测为负类数
  • False Positive(FP)：将负类预测为正类数
  • False Negative(FN)：将正类预测为负类数
1.准确率：

Accuracy=TP+TNTP+TN+FP+FNAccuracy= \frac{TP+TN}{TP+TN+FP+FN}Accuracy=TP+TN+FP+FNT

最低0.47元/天 解锁文章
标签
#Accuracy #Precision #Recall #F1 #tensorflow
机器学习中，准确率(Accuracy)、精确度(Precision)、召回率(Recall)、F1分数(F1Score) 分别是什么？有啥用？有啥意义？有啥缺陷？ 例如，在一个99%的样本属于同一类的数据集中，一个总是预测这个主要类的简单模型也会有99%的准确率，但这并不意味着模型是好的。精确度（Precision）和召回率（Recall）通常被认为是相互对抗的，这种现象在统计学和机器学习中被称为精确度-召回率权衡（Precision-Recall Trade-off）。提高召回率意味着模型努力识别更多的正类样本，包括那些模型不太确定的样本。意义：在所有实际为真的样本中，被我们预测为真的样本的比例。意义：在所有预测为真的样本中，实际为真的样本所占的比例。 阅读详情

相关推荐

机器学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的定义和说明

在机器学习和深度学习用于异常检测（Anomaly detection）、电子商务（E-commerce）、信息检索（Information retrieval, IR）等领域任务（Task）中，有很多的指标来判断机器学习和深度学习效果的好坏。这些指标有相互权衡的，有相互背向的，所以往往需要根据实际的任务和场景来选择衡量指标。本篇博文对这些指标进行一个梳理。

liveshow021_jxb的博客 3万+

模型评估之评价指标- Transformer教程

本文详细介绍了如何评估Transformer模型的性能，包括精确率、召回率、F1值、准确率和交叉熵损失等常用的评价指标。通过一个电影评论情感分析的实际案例，展示了这些指标的计算方法和应用场景，帮助读者更好地理解和使用这些评价指标来优化模型。

shandianfk_com的博客 1467

自然语言处理学习笔记（1）——词典分词

自然语言处理学习笔记（1）——词典分词 一、相关定义（P32） 中文分词：将一段文本拆分为一系列单词的过程，这些单词顺序拼接后等于源文本。 词典分词：一个确定的查词与输出的规则系统，仅需要一部词典和一套查词典的规则，是最简单、最常见的分词算法（语言是时刻在发展变化的，任何词典都只是某个时间节点拍摄的一张快照）。 词的定义：在语言学上，词语是具备独立意义的最小单位。 二、切分算法 1. 完全切分（P36） 完全切分指的是：找出一段文本中的所有单词（并不是标准意义上的分词），不考虑效率的话，朴素的完全

OldBaby的博客 2219

人机交互：自然语言处理_14.自然语言处理中的模型评估

在模型评估中，选择合适的评估指标是关键。不同的任务和应用场景可能需要不同的评估指标。准确率（Accuracy）：分类任务中最常用的指标，表示分类正确的样本数占总样本数的比例。精确率（Precision）：表示在所有被模型预测为正类的样本中，实际为正类的样本所占的比例。召回率（Recall）：表示在所有实际为正类的样本中，被模型正确预测为正类的样本所占的比例。F1分数（F1 Score）：精确率和召回率的调和平均值，用于综合评估模型的性能。混淆矩阵（Confusion Matrix）

zhubeibei168的博客 774

MATLAB算法实战应用案例精讲-【深度学习】评估指标（补充篇）

BLEU (BiLingual Evaluation Understudy) 最早用于机器翻译任务上，用于评估机器翻译的语句的合理性。具体来讲，BLEU通过衡量生成序列和参考序列之间的重合度进行计算的。下面我们将以机器翻译为例，进行讨论这个指标。BLEU算法能够比较好地计算生成序列x​​​的字词是否在参考序列中出现过，但是其并没有关注参考序列中的字词是否在生成序列出现过。即BLEU只关心生成的序列精度，而不关心其召回率。

qq_36130719的博客 809

基于朴素贝叶斯的垃圾短信分类实战：从预处理到模型评估

文本分类是自然语言处理中最基础也最广泛的应用之一，其核心是将非结构化的文本数据转化为可计算的向量表示，并借助机器学习模型完成类别预测。朴素贝叶斯算法基于贝叶斯定理，通过词独立性假设简化条件概率计算，在小样本、高维稀疏数据上表现稳定，尤其适合垃圾短信识别这类二分类场景。在工程实践中，中文文本分类的关键步骤包括数据清洗、分词、去停用词和特征构建。利用jieba进行中文分词，再通过CountVectorizer或TF-IDF生成词频特征，最后使用多项式朴素贝叶斯训练分类器，即可构建一个完整的垃圾短信分类系统。从数

weixin_29090089的博客 317

VLA算法总结对比——RT1 / RT2 / Pi0 / Octo/ RDT / OpenVLA

本文主要针最近比较经典的VLA算法进行对比总结，暂不涉及到代码细节和实验细节上的展开，仅仅是从大面上掌握下目前VLA的一些思路和方法。

weixin_44580210的博客 9500

MATLAB打开.m文件乱码解决办法

Matlab打开.m文件出现中文乱码问题，是因为Matlab存在两种编码格式：GBK和UTF-8，而不同版本的Matlab编码格式可能不统一，因此在不同版本的Matlab打开文件,由于编码格式的改变，会导致注释乱码。 1.查看你的Matlab的文件编码方式，在Matlab的命令行窗口输入feature('locale') ，如下图，可以看到默认编码为GBK,那问题就变成了将Matlab的文件编码方式GBK修改成UTF-8; 2.找到你的Matlab安装目录bin文件夹下的lcdata_utf.

zhugby的博客 4万+

STM32H743的ADC还能这么玩？定时器触发+DMA搬运，构建低CPU占用的数据流

本文深入探讨了STM32H743微控制器中ADC的高效使用方法，通过定时器触发和DMA搬运技术实现低CPU占用的数据流采集。详细解析了硬件架构、CubeMX配置步骤及高级优化技巧，包括双缓冲技术和多ADC同步采样，适用于电机控制、音频采集等高性能应用场景。

weixin_30698527的博客 647

ATE自动化测试设备：硬件与软件的完美协同

本文深入解析了ATE自动化测试设备如何通过硬件与软件的完美协同，实现高效、精准的电子产品测试。文章详细阐述了ATE系统的硬件架构（如测试控制器、仪器模块、开关矩阵）与软件层次（如测试管理、仪器控制、数据分析），并结合实战案例，揭示了软硬件协同设计在提升测试效率与可靠性中的关键作用。

weixin_29218509的博客 168

DenseNet训练实践

在Cifar10上训练DenseNet，复现DenseNet论文的结果是后面两篇分析工作的基础，因此本系列的第一篇，将首先讨论深度学习的训练过程中的几个方面： 1. 数据集 1.1 Cifar10数据集 Cifar10数据集有6万张32X32的图片，是一个小型的数据集，但数据的复杂度足够，下图来自DenseNet论文，可以看出，不用数据增强的话，ResNet的正确率也很难超过90%，因而足以用来验...

一蓑烟雨任平生 1万+

解决MiGPT部署痛点：小米账号异地登录安全验证的解决方案

为让小米音箱更智能🤖，部署MiGPT时遇到小米账号异地登录验证问题，手动验证后仍无法解决。本文分享亲测有效的简化方案✨：通过浏览器F12获取passToken📝，手动创建mi.json配置文件并挂载到Docker容器，无需本地运行MiGPT，直接绕过异地验证，附完整操作步骤和问题排查指南。

XiaoqiangClub的博客 1450

YOLOv11原创改进专栏|原创自研篇|DAA模块手把手添加教程

个人简介：大家好！我是 DAA 注意力机制，堪称深度学习中的“聚光灯”。我的任务是帮助模型聪明地识别关键特征，就像一位经验丰富的侦探，能够在繁杂的数据中找到重要线索。通过结合通道和空间的注意力，我能确保模型把重点放在最有价值的信息上，从而提升识别准确率。简单来说，我就是帮助你的模型变得更加专注、敏锐，让它在一堆数据中轻松找到“宝藏”，为检测精度加分！动态适应性特征提取DAA通过动态生成卷积核来适应输入特征的变化，从而实现针对不同数据的自适应特征提取。

mywhyyds的博客 379

【01】Python解释器的安装

工欲善其事必先利其器。君欲学PYthon，则必先安装Python解释器。安装过程相对简单，大致跟着如下步骤走即可。

侯小啾技术博客 1258

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
上一篇： NLP-Pearson相关系数计算公式及代码
下一篇： NLP-神经网络隐藏层节点数设置
点赞 1
评论 0
书签 书签 25
spring_willow
spring_willow
博客等级 码龄10年 163粉丝 95原创
+ 关注 专栏目录
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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