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。