逻辑回归F1measure不下降

Question

在做对老师给定的文本的命名实体识别  逻辑回归的迭代不需要torch 只用给定的公式即可  现发现不管是给定的数据集还是自己试验用的小规模数据  F1是一个常数不随sita的改变而变。请问是什么原因呢？  一下贴一下我的部分代码及数据

for i in range(1000):
    temp=0
    for j in range(len(xto)):
        temp+=(yto[j]-sigmoid(np.dot(sta,xto[j])))*xto[j]
    print("temp=",temp)
    sta=sta+0.02*temp
    print("sta[",i,"]=",sta)
    correct=0
    presum=0
    truesum=0
    for t in range(len(wordsn)):
        if(wordsn[t].count("/ns")==1):
            truesum+=1
        if(dic.get(wordsn[t])!=None):
            presum+=1
            x1 = np.zeros((len(num)))
            if t > 0 and dic.get(wordsn[t - 1]) != None:
                x1[dic.get(wordsn[t - 1])] = 1
            x = np.zeros((len(num)))
            x[dic.get(wordsn[t])] = 1
            x2 = np.zeros((len(num)))
            if i + 1 < len(wordsn) and dic.get(wordsn[t + 1]) != None:
                x2[dic.get(wordsn[t + 1])] = 1
            xtemp2=np.concatenate((x1,x,x2))
            if np.dot(sta,xtemp2)>0 and wordsn[t].count("/ns")==1:
                correct+=1
    print("presum[",i,"]=",presum)
    print("correct[", i, "]=", correct)
    print("truesum[", i, "]=", truesum)
    if(presum==0):
        r1=0
    else:
        r1=correct/presum
    if(truesum==0):
        r2=0
    else:
        r2=correct/truesum
    if(r1==0 and r2==0):
        F1=0
    else:
        F1=(2*r1*r2)/(r1+r2)
    print("F1[",i,"]","=",F1)

一千次迭代中f1始终是0.5没变（用的自己写的数据 用大规模数据是同样不变）用的公式为

𝜃 ≔ 𝜃 + 𝛼 ∑（𝑦 𝑖 − 𝑔(𝜃𝑇𝑥(𝑖))） 𝑥(𝑖)   i从0->m

Answer 1

从代码看，你使用的是逻辑回归模型，而逻辑回归模型中的模型参数$\theta$，是通过最大化对数似然函数得到的，即通过最大化训练数据的似然函数（概率密度函数的乘积）得到的。因此，在训练集上的F1值不变，可能是因为训练数据集中的命名实体占比较少，使得模型的泛化能力较差，无法在测试集上得到好的结果。建议可以尝试使用更多的命名实体数据，或者调整模型结构，以提高模型的泛化能力。