知识卡片

问题卡 · 6644.a.1.bf · 生成模型:未记录

切片重叠会高估泛化表现

理解等级:中级

训练取前7000句、测试从2000句到末尾,只要语料超过2000句,两者就会重叠;若全语料少于7000,训练甚至包含整个测试集。切片不会补足到7000句,不能据代码声称实际训练7000。原书96%等数字只能记为该设置报告值,应重新做不相交、符合任务的数据划分才能评估泛化;本次未重跑训练或评估。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第4章 词性标注:单词识别,spine058单元007;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00057.html。 - 结论依据:原文训练与测试的索引区间直接确定重叠,不依赖当前语料具体句数;报告数字因此不作独立泛化证据。未在本机运行示例或改变环境。 - 原始内容:ning) >>> testing = treebank.tagged_sents()[2000:] >>> unitagger.evaluate(testing) 0.963400866227395 因此,在正确地执行词性标注时,它的准确率为96%。 既然 Unigr