spacy命名实体识别计算f1值

计算Spacy命名实体识别的F1值，需要先将模型的预测结果与真实标签进行比较，然后根据公式计算F1值。

以下是用Python代码计算Spacy命名实体识别F1值的方法：

import spacy
from sklearn.metrics import f1_score

# 加载Spacy预训练模型，例如'en_core_web_sm'
nlp = spacy.load('en_core_web_sm')

# 读取测试数据集
test_data = [...]  # 测试数据集，每个数据包括文本和实体标签

# 预测实体标签
pred_labels = []
for text in test_data:
    doc = nlp(text['text'])
    pred_labels.append([ent.label_ for ent in doc.ents])

# 计算F1值
true_labels = [[label for label in data['labels']] for data in test_data]
f1 = f1_score(true_labels, pred_labels, average='weighted')
print('F1 score:', f1)

其中，`test_data`是测试数据集，每个数据包括文本和实体标签。`pred_labels`是模型预测的实体标签，`true_labels`是真实的实体标签。

使用`f1_score`函数计算F1值，其中`average='weighted'`表示使用加权平均值计算F1值，对于不平衡的数据集更为准确。最后输出计算得到的F1值。