在计算精度和召回率时，字义意义上的fp和tn是什么？

Question

我想计算单词意义消歧的精确度和召回率。当然，为此，我需要计算tp，tn，fp和fn。我知道tp是测试语句的标签等于分类器标签的文件数，fn是测试句的标签不等于分类器找到的标签的文档数。但是什么是tn和fp？除了我上面描述的两种情况之外，我看不到任何其他情况。例如，我的测试句子如下所示：

第一句话：word1 word2 word3 word4 tag1 第二句：word1 word2 word3 word4 tag2

如果我的分类器找到了与句子中的标签相同的正确标签，那么除非它是fn，否则它是tp。那么tn和fp是什么？

Answer 1

我认为你太过积极地接受了“积极的＆＃34;和＆＃34;否定＆＃34;。

我们认为你的句子分类是二元的：它是一个陈述或一个问题。

https://cloud.google.com/trace/docs/faq

所以，在这里，我们正在考虑Statement = positive;问题=否定：

• True Positive =您的分类器预测了Statement并且它是一个声明。
• 误报=您的分类器（错误地）预测声明（正面）实际上句子是一个问题。
• False Negative =您的分类器（错误地）预测问题（否定），而实际上该句子是一个陈述。
• True Negative =你的分类器预测句子是一个问题，这是一个问题。

  

我知道tp是测试标签的文件数量   句子等于分类器的标签

不，那是（tp + tn）。正确预测的陈述数量+正确预测的问题数量。

  

fn是测试句的标签不是的文档数   等于分类器找到的标签

那是（fp + fn）。标记为问题的语句数量+标记为语句的问题数量。

再次，＆＃34;积极＆＃34;和＆＃34;否定＆＃34;只是课程。