[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » user » zeman » dz-parser » conll

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
Next revision Both sides next revision
user:zeman:dz-parser:conll [2008/03/28 12:42]
zeman Statistická významnost. 		user:zeman:dz-parser:conll [2008/03/28 15:43]
zeman
Line 28: Line 28:
 $PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat $PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat
 ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log</code> ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log</code>
 +
 +
 +
  
  
Line 42: Line 45:
 | ar | 2007 | 5873 | 3757 | 2116 | 64,0 | | ar | 2007 | 5873 | 3757 | 2116 | 64,0 |
 | bg | 2006 | 4677 | 3178 | 1499 | 67,9 | | bg | 2006 | 4677 | 3178 | 1499 | 67,9 |
-| ca | 2007 | 10971 | 7670 | 3301 | 69,9 |+| ca | 2007 | 10971 | 7978 | 2993 | 72,7 |
 | cs | 2006 | 5643 | 3822 | 1821 | 67,7 | | cs | 2006 | 5643 | 3822 | 1821 | 67,7 |
 | cs | 2007 | 5760 | 4061 | 1699 | 70,5 | | cs | 2007 | 5760 | 4061 | 1699 | 70,5 |
 | da | 2006 | 5470 | 3792 | 1678 | 69,3 | | da | 2006 | 5470 | 3792 | 1678 | 69,3 |
-| de | 2006 | 5403 | 3704 | 1699 | 68,6 | +| de | 2006 | 5403 | 3877 | 1526 | 71,8 | 
-| el | 2007 | 4874 | 3132 | 1742 | 64,3 |+| el | 2007 | 4874 | 3170 | 1704 | 65,0 |
 | en | 2007 | 9529 | 6163 | 3366 | 64,7 | | en | 2007 | 9529 | 6163 | 3366 | 64,7 |
-| eu | 2007 | 4334 | 2477 | 1857 | 57,2 | +| eu | 2007 | 4334 | 2538 | 1796 | 58,6 | 
-| hu | 2007 | 5995 | 4088 | 1907 | 68,2 | +| hu | 2007 | 5995 | 3733 | 2262 | 62,3 | 
-| it | 2007 | 7643 | 5556 | 2087 | 72,7 | +| it | 2007 | 7643 | 5467 | 2176 | 71,5 | 
-| ja | 2006 | 3384 | 2524 | 860 | 74,6 | +| ja | 2006 | 3384 | 2953 | 431 | 87,3 | 
-| nl | 2006 | 6187 | 4579 | 1608 | 74,0 | +| nl | 2006 | 6187 | 4561 | 1626 | 73,7 | 
-| pt | 2006 | 6719 | 4941 | 1778 | 73,5 | +| pt | 2006 | 6719 | 4959 | 1760 | 73,8 | 
-| sl | 2006 | 4307 | 2765 | 1542 | 64,2 |+| sl | 2006 | 4307 | 2529 | 1778 | 58,7 |
 | sv | 2006 | 7140 | 5075 | 2065 | 71,1 | | sv | 2006 | 7140 | 5075 | 2065 | 71,1 |
-| tr | 2007 | 6210 | 3920 | 2290 | 63,1 |+| tr | 2007 | 6210 | 4011 | 2199 | 64,6 |
 | zh | 2006 | 1839 | 1269 | 570 | 69,0 | | zh | 2006 | 1839 | 1269 | 570 | 69,0 |
 | zh | 2007 | 2277 | 1506 | 771 | 66,1 | | zh | 2007 | 2277 | 1506 | 771 | 66,1 |
  
-Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. značky nejsou upravovány a selektivní lexikalizace není zapnuta. Poslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ<html><sup>2</sup></html> ≥ 3,84).+Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. selektivní lexikalizace není zapnuta, ale úprava (zkracování) značek ve výchozí konfiguraci omylem zapnuté bylo. I tak se občas dostal do značky tabulátor a takové značky se pak chybně ukládají ve statistice. Poslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ<html><sup>2</sup></html> ≥ 3,84).
  
 | Jazyk | Rok | Značky | A | G | B | P | SV | | Jazyk | Rok | Značky | A | G | B | P | SV |
Line 85: Line 88:
 | zh | 2007 | PDT   | 2277 | 1449 | 828 | 63,6 | ano | | zh | 2007 | PDT   | 2277 | 1449 | 828 | 63,6 | ano |
  
-Převod značek do sady PDT pomohl všude kromě čínštiny, i když u některých jazyků možná změna nebyla statisticky významná. U čínštiny lze zhoršení snadno vysvětlit. Čínská sada značek se velmi liší od ostatních, do Intersetu se vejde jen nepatrný zlomek informace, kterou značky nesou, takže ztráta informace při převodu značek je mimořádně veliká.+Převod značek do sady PDT pomohl všude kromě čínštiny, i když u některých jazyků změna nebyla statisticky významná. U čínštiny lze zhoršení snadno vysvětlit. Čínská sada značek se velmi liší od ostatních, do Intersetu se vejde jen nepatrný zlomek informace, kterou značky nesou, takže ztráta informace při převodu značek je mimořádně veliká. 
 + 
 +Následující tabulka je opravou té předchozí. Značky obsahující tabulátory už se ukládají správně, úprava značek je opravdu vypnutá. 
 + 
 +| Jazyk | Rok | Značky | A | G | B | P | SV | 
 +| ar | 2006 | CoNLL | 3955 | 2527 | 1428 | 63,9 | 
 +| ar | 2006 | PDT   | 3955 | 2640 | 1315 | 66,8 | ano | 
 +| ar | 2007 | CoNLL | 5873 | 3813 | 2060 | 64,9 | 
 +| ar | 2007 | PDT   | 5873 | 3771 | 2102 | 64,2 | ne | 
 +| bg | 2006 | CoNLL | 4677 | 3380 | 1297 | 72,3 | 
 +| bg | 2006 | PDT   | 4677 | 3331 | 1346 | 71,2 | ne | 
 +| cs | 2006 | CoNLL | 5643 | 3617 | 2026 | 64,1 | 
 +| cs | 2006 | PDT   | 5643 | 3618 | 2025 | 64,1 | ne | 
 +| cs | 2007 | CoNLL | 5760 | 3981 | 1779 | 69,1 | 
 +| cs | 2007 | PDT   | 5760 | 3952 | 1808 | 68,6 | ano | 
 +| da | 2006 | CoNLL | 5470 | 3825 | 1645 | 69,9 | 
 +| da | 2006 | PDT   | 5470 | 3858 | 1612 | 70,5 | ne | 
 +| en | 2007 | CoNLL | 9529 | 6725 | 2804 | 70,6 | 
 +| en | 2007 | PDT   | 9529 | 6236 | 3293 | 65,4 | ano | 
 +| sv | 2006 | CoNLL | 7140 | 5071 | 2069 | 71,0 | 
 +| sv | 2006 | PDT   | 7140 | 5181 | 1959 | 72,6 | ano | 
 +| zh | 2006 | CoNLL | 1839 | 1286 | 553 | 69,9 | 
 +| zh | 2006 | PDT   | 1839 | 1258 | 581 | 68,4 | ne | 
 +| zh | 2007 | CoNLL | 2277 | 1570 | 707 | 69,0 | 
 +| zh | 2007 | PDT   | 2277 | 1450 | 827 | 63,7 | ano |
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

[ Back to the navigation ] [ Back to the content ]