Python 理解Spacy和x27；s记分器输出

我正在评估使用Spacy构建的自定义NER模型。我正在使用斯帕西的记分员课程评估训练集

    def Eval(examples):
    # test the saved model
    print("Loading from", './model6/')
    ner_model = spacy.load('./model6/')

    scorer = Scorer()
    try:
        for input_, annot in examples:
            doc_gold_text = ner_model.make_doc(input_)
            gold = GoldParse(doc_gold_text, entities=annot['entities'])
            pred_value = ner_model(input_)
            scorer.score(pred_value, gold)
    except Exception as e: print(e)

    print(scorer.scores)

它工作正常，但我不理解输出。以下是我从每一套训练中得到的信息

{'uas': 0.0, 'las': 0.0, 'ents_p': 90.14084507042254, 'ents_r': 92.7536231884058, 'ents_f': 91.42857142857143, 'tags_acc': 0.0, 'token_acc': 100.0}

{'uas': 0.0, 'las': 0.0, 'ents_p': 91.12227805695142, 'ents_r': 93.47079037800687, 'ents_f': 92.28159457167091, 'tags_acc': 0.0, 'token_acc': 100.0}

{'uas': 0.0, 'las': 0.0, 'ents_p': 92.45614035087719, 'ents_r': 92.9453262786596, 'ents_f': 92.70008795074759, 'tags_acc': 0.0, 'token_acc': 100.0}

{'uas': 0.0, 'las': 0.0, 'ents_p': 94.5993031358885, 'ents_r': 94.93006993006993, 'ents_f': 94.76439790575917, 'tags_acc': 0.0, 'token_acc': 100.0}

{'uas': 0.0, 'las': 0.0, 'ents_p': 92.07920792079209, 'ents_r': 93.15525876460768, 'ents_f': 92.61410788381743, 'tags_acc': 0.0, 'token_acc': 100.0}

有人知道钥匙是什么吗？我查阅了斯帕西的文件，什么也没找到

谢谢

• UAS（未标记的附件分数）和LAS（标记的附件分数）是评估依赖项解析的标准度量。UAS是头部已正确分配的令牌的比例，LAS是头部已正确分配有正确依赖标签（主题、对象等）的令牌的比例

• ents\u p

  、

  ents\u r

  、

  ents\u f

  是NER任务的精确度、召回率和可执行性

• tags\u acc

  是词性标注的准确性

• token\u acc

  似乎是令牌分段的精度

---

此外，

ents\u p

、

ents\u r

和

ents\u f

是基于每个实体计算的。也就是说，spaCy考虑文档中的所有实体，以查找真阳性、假阳性和假阴性。我有一个令人印象深刻的开始，只要一个句子中的预测实体与黄金集匹配，它就会+1到真正的正计数，但我错了。对于那些有兴趣深入研究的人，一定要查看

language.py

、

scorer.py

和

evaluate.py

来完成计算。