训练和评估模型

已完成

训练和评估模型是一个迭代过程，用于向训练数据集添加数据和标记，以便更准确地训练模型。 若要了解需要改进的数据和标记类型，Language Studio 在左侧窗格的“查看模型详细信息”页中提供评分。

单个实体和整体模型分数分为三个指标，以说明它们的性能以及需要改进之处。

跃点数	说明
精度	成功识别实体次数与尝试的所有识别次数的比率。 高分数意味着只要识别实体，它就已正确标记。
召回率	成功识别实体次数与文档中实际存在的实体数的比率。 高分数意味着它能够很好地查找实体，无论它是否为其分配正确的标签
F1 分数	将精准率和召回率组合可提供单个评分指标

分数可按各实体提供，也可提供整个模型的分数。 你可能会发现某个实体分数很高，但整个模型分数却不高。

如何解释指标

理想情况下，我们希望模型在精准率和召回率方面获得高分，这意味着实体识别效果良好。 如果这两个指标分数都低，则意味着模型很难识别文档中的实体，并且当它确实提取该实体时，它不会为其分配置信度高的正确标签。

如果精准率低，但召回率高，则表示模型能够很好地识别实体，但不将其标记为正确的实体类型。

如果精准率高，但召回率低，则表示模型并不总是识别实体，而是在模型提取实体时应用了正确的标签。

混淆矩阵

在同一“查看模型详细信息”页上，“混淆矩阵”顶部还有另一个选项卡。 此视图提供所有实体的可视表以及每个实体的表现，以全面了解模型及其不足之处。

使用混淆矩阵，可以直观地发现在何处添加数据可提高模型的性能。