SkillFeeder › 全部 Skill › Bug与质量 › benchmarking-clinical-ner
评估临床NER模型在自定义金标准上的实体级精度、召回与F1
benchmarking-clinical-ner
benchmarking-clinical-ner 是 SkillFeeder 收录的Agent Skill，来自 GitHub 仓库 maziyarpanahi/openmed，★ 5,783。评估临床NER模型在自定义金标准上的实体级精度、召回与F1。适合临床NLP工程师。场景是Bug与质量 · 调试排错。能做的事包括输出严格/宽松边界匹配双版本F1、按疾病、药物等标签逐项拆解指标、返回典型漏检与误标实体样例。打开 GitHub 自行安装。
能做什么
- 输出严格/宽松边界匹配双版本F1
- 按疾病、药物等标签逐项拆解指标
- 返回典型漏检与误标实体样例
原文简介
Score an OpenMed clinical or biomedical NER model against a user-supplied gold corpus with entity-level precision, recall, and F1, then break errors down per label. Use when the user wants a seqeval-style scorecard, strict vs partial (relaxed) span matching, a per-label confusion matrix, false-negative / false-positive examples, or to debug why a model misses entities. Trigger on \"evaluate NER\",
同场景推荐
- diagnosing-superpowers所在仓库 obra/superpowers，仓库 ★ 314,917快速定位超能力会话故障原因并生成带行号证据的诊断报告
- systematic-debugging所在仓库 obra/superpowers，仓库 ★ 314,917定位任意技术问题的根本原因，再提出修复方案
- agent-introspection-debugging所在仓库 affaan-m/ECC，仓库 ★ 300,014自动捕获失败现场、诊断根因、生成可复现的调试报告
- webapp-testing所在仓库 anthropics/skills，仓库 ★ 190,432自动启动本地服务并用 Playwright 测试网页功能、截图和抓取日志
- browser-testing-with-devtools所在仓库 addyosmani/agent-skills，仓库 ★ 114,402在真实浏览器中运行测试并实时捕获 DOM、控制台、网络与性能数据
- debugging-and-error-recovery所在仓库 addyosmani/agent-skills，仓库 ★ 114,402系统化定位并修复代码故障根因
- agent-tracing所在仓库 lobehub/lobehub，仓库 ★ 84,555自动记录并回溯 AI agent 每步执行细节，定位失败工具与 LLM 异常。
- debug-frontend-with-browser所在仓库 lobehub/lobehub，仓库 ★ 84,555定位前端 UI 异常根源，精准识别数据从正确到错误的第一个边界