Question

使用Stanford Classifier，可以通过设置属性文件中的选项来使用交叉验证，例如10次交叉验证：

crossValidationFolds=10
printCrossValidationDecisions=true
shuffleTrainingData=true
shuffleSeed=1

运行此功能将按比例输出各种指标，例如精度，召回率，准确度/微观平均值F1和宏观平均值F1。

是否可以选择获得所有10个准确度/微观平均值F1或所有10个宏观平均值F1的平均值或其他总计得分作为输出的一部分？

在Weka中，默认情况下，10倍交叉验证后的输出包括所有折叠的平均指标。这样的选项在斯坦福分类器中也可用吗？拥有最终的精确度，召回或F1分数，并像Weka一样优化参数非常有用，我想用斯坦福分类器做到这一点。怎么样？

Answer 1

当我跑10次时，我看到了输出。当我运行此命令时：

java -cp "*" edu.stanford.nlp.classify.ColumnDataClassifier -prop examples/cheese2007.prop -crossValidationFolds 10

我在输出中看到了这一点（在### Fold 9之后）

[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - 181 examples in test set
[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - Cls 2: TP=109 FN=6 FP=7 TN=59; Acc 0.928 P 0.940 R 0.948 F1 0.944
[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - Cls 1: TP=59 FN=7 FP=6 TN=109; Acc 0.928 P 0.908 R 0.894 F1 0.901
[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - Accuracy/micro-averaged F1: 0.92818
[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - Macro-averaged F1: 0.92224 
[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - Average accuracy/micro-averaged F1: 0.93429
[main] INFO edu.stanford.nlp.classify.ColumnDataClassifier - Average macro-averaged F1: 0.92247

斯坦福分类器交叉验证平均或聚合度量

1 个答案: