La libreria evaluate

Introduzione agli LLM in Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

La libreria evaluate

import evaluate

accuracy = evaluate.load("accuracy")

print(accuracy.description)

L'accuracy è la proporzione di previsioni corrette
sul numero totale di casi processati. Si calcola con:
Accuracy = (TP + TN) / (TP + TN + FP + FN)
Dove:
TP: True positive
TN: True negative
FP: False positive
FN: False negative

 

  • Metrica: valuta le prestazioni rispetto al ground truth

 

  • Confronto: confronta due modelli

 

  • Misura: offre insight sulle proprietà del dataset
Introduzione agli LLM in Python

Attributo features

print(accuracy.features)

{'predictions': Value(dtype='int32', id=None),
 'references': Value(dtype='int32', id=None)}

Ispezionare gli input richiesti da una metrica

  • 'predictions': output del modello
  • 'references': ground truth
  • .features: indica il tipo supportato per le classi, es. 'int32' o 'float32'
f1 = evaluate.load("f1")
print(f1.features)

{'predictions': Value(dtype='int32', id=None),
 'references': Value(dtype='int32', id=None)}

pearson_corr = evaluate.load("pearsonr")
print(pearson_corr.features)

{'predictions': Value(dtype='float32', id=None),
'references': Value(dtype='float32', id=None)}
Introduzione agli LLM in Python

Task LLM e metriche

 

Metriche di valutazione per task di linguaggio

Introduzione agli LLM in Python

Task LLM e metriche

 

Metriche di valutazione per task di linguaggio

Introduzione agli LLM in Python

Metriche di classificazione

accuracy = evaluate.load("accuracy")
precision = evaluate.load("precision")
recall = evaluate.load("recall")
f1 = evaluate.load("f1")

from transformers import pipeline

classifier = pipeline("text-classification", model=model, tokenizer=tokenizer)

predictions = classifier(evaluation_text)


predicted_labels = [1 if pred["label"] == "POSITIVE" else 0 for pred in predictions]
Introduzione agli LLM in Python

Output delle metriche

real_labels = [0,1,0,1,1]
predicted_labels = [0,0,0,1,1]

print(accuracy.compute(references=real_labels, predictions=predicted_labels))
print(precision.compute(references=real_labels, predictions=predicted_labels))
print(recall.compute(references=real_labels, predictions=predicted_labels))
print(f1.compute(references=real_labels, predictions=predicted_labels))

{'accuracy': 0.8}
{'precision': 1.0}
{'recall': 0.6666666666666666}
{'f1': 0.8}
Introduzione agli LLM in Python

Valutare il nostro modello fine-tuned

# Carica il modello e il tokenizer salvati con 
# .from_pretrained("my_finetuned_files")


new_data = ["This is movie was disappointing!", 
            "This is the best movie ever!"]

new_input = tokenizer(new_data, 
                      return_tensors="pt", 
                      padding=True,
                      truncation=True, 
                      max_length=64)

with torch.no_grad():
    outputs = model(**new_input)

predicted = torch.argmax(outputs.logits, 
                         dim=1).tolist()

real = [0,1]
print(accuracy.compute(references=real,
                       predictions=predicted))
print(precision.compute(references=real,
                        predictions=predicted))
print(recall.compute(references=real,
                     predictions=predicted))
print(f1.compute(references=real, 
                 predictions=predicted))

{'accuracy': 1.0}
{'precision': 1.0}
{'recall': 1.0}
{'f1': 1.0}
Introduzione agli LLM in Python

Scegliere la metrica giusta

 

  • Stai attentə: ogni metrica dà i propri insight, ma ha anche dei limiti

 

  • Sii completə: usa una combinazione di metriche (e KPI di dominio quando possibile)

Illustrazione di un cervello con una lampadina per indicare consapevolezza, pensiero e decisione.

Introduzione agli LLM in Python

Passiamo alla pratica !

Introduzione agli LLM in Python

Preparing Video For Download...