文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindformers.core.EntityScore

class mindformers.core.EntityScore

评估预测实体相对于真实标签的精确率、召回率和 F1 分数。

数学上，这些指标定义如下：

精确率 (Precision)：衡量预测的实体中正确预测的比例。

$$\text{Precision}=\frac{\text{正确预测的实体数量}}{\text{预测的实体总数量}}$$

召回率 (Recall)：衡量实际存在的实体中被正确预测的比例。

$$\text{Recall}=\frac{\text{正确预测的实体数量}}{\text{实际实体总数量}}$$

F1 分数 (F1 Score)：精确率和召回率的调和平均值，提供两者之间的平衡。

$$\text{F1}=\frac{2\times \text{Precision}\times \text{Recall}}{\text{Precision}+\text{Recall}}$$

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindformers.core.metric.metric import EntityScore
>>> x = Tensor(np.array([[np.arange(0, 22)]]))
>>> y = Tensor(np.array([[21]]))
>>> metric = EntityScore()
>>> metric.clear()
>>> metric.update(x, y)
>>> result = metric.eval()
>>> print(result)
({'precision': 1.0, 'recall': 1.0, 'f1': 1.0}, {'address': {'precision': 1.0, 'recall': 1.0, 'f1': 1.0}})

clear()

清除局部评估结果。

eval()

计算评估结果。

返回：

评估结果字典，包含实体相对于真实标签的精确率、召回率和 F1 分数。

update(*inputs)

更新局部评估结果。

参数：

• *inputs (List) - 逻辑值和标签。其中逻辑值是形状为 $[N,C]$ 的张量，数据类型为Float16或Float32；标签是形状为 $[N,]$ 的张量，数据类型为Int32或Int64。其中 $N$ 为批次大小， $C$ 为实体类型总数。