Metrici pentru sarcini lingvistice: ROUGE, METEOR, EM

Introducere în LLM-uri cu Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Sarcini și metrici LLM

 

Metrici de evaluare pentru sarcini lingvistice

Introducere în LLM-uri cu Python

Sarcini și metrici LLM

 

Metrici de evaluare pentru sarcini lingvistice

Introducere în LLM-uri cu Python

Sarcini și metrici LLM

 

Metrici de evaluare pentru sarcini lingvistice

Introducere în LLM-uri cu Python

ROUGE

  • ROUGE: similaritate între un rezumat generat și rezumate de referință
    • Analizează n-grame și suprapuneri
    • predictions: rezultate LLM
    • references: rezumate furnizate de oameni

Compararea propozițiilor „the cat sat on the mat" și „the cat is on the mat"

Introducere în LLM-uri cu Python

ROUGE

rouge = evaluate.load("rouge")
predictions = ["""as we learn more about the frequency and size distribution of 
exoplanets, we are discovering that terrestrial planets are exceedingly common."""]
references = ["""The more we learn about the frequency and size distribution of 
exoplanets, the more confident we are that they are exceedingly common."""]

Scoruri ROUGE:

  • rouge1: suprapunere unigramă
  • rouge2: suprapunere bigramă
  • rougeL: subsecvențe comune lungi
Introducere în LLM-uri cu Python

Rezultate ROUGE

Scoruri ROUGE:

  • rouge1: suprapunere unigramă
  • rouge2: suprapunere bigramă
  • rougeL: subsecvențe comune lungi

 

  • Scoruri între 0-1: scor mai mare = similaritate mai mare
results = rouge.compute(predictions=predictions,
                         references=references)

print(results)

{'rouge1': 0.7441860465116279, 
'rouge2': 0.4878048780487805, 
'rougeL': 0.6976744186046512, 
'rougeLsum': 0.6976744186046512}
Introducere în LLM-uri cu Python

METEOR

  • METEOR: caracteristici lingvistice suplimentare: variații lexicale, sinonime și ordinea cuvintelor
bleu = evaluate.load("bleu")
meteor = evaluate.load("meteor")


prediction = ["He thought it right and necessary to become a knight-errant, roaming 
              the world in armor, seeking adventures and practicing the deeds he 
              had read about in chivalric tales."]

reference = ["He believed it was proper and essential to transform into a 
             knight-errant, traveling the world in armor, pursuing adventures, and 
             enacting the heroic deeds he had encountered in tales of chivalry."]
Introducere în LLM-uri cu Python

METEOR

results_bleu = bleu.compute(predictions=pred, references=ref)
results_meteor = meteor.compute(predictions=pred, references=ref)
print("Bleu: ", results_bleu['bleu'])
print("Meteor: ", results_meteor['meteor'])

Bleu:  0.19088841781992524
Meteor:  0.5350702240481536
  • Scor 0-1: mai mare înseamnă mai bun
Introducere în LLM-uri cu Python

Întrebări și răspunsuri

 

Metrici de evaluare pentru sarcini lingvistice

Introducere în LLM-uri cu Python

Exact Match (EM)

  • Exact Match (EM): 1 dacă rezultatul unui LLM corespunde exact răspunsului de referință

 

  • Folosit de obicei împreună cu scorul F1
from evaluate import load
em_metric = load("exact_match")

exact_match = evaluate.load("exact_match")
predictions = ["The cat sat on the mat.",
               "Theaters are great.", 
               "Like comparing oranges and apples."]
references = ["The cat sat on the mat?", 
              "Theaters are great.", 
              "Like comparing apples and oranges."]

results = exact_match.compute(
  references=references, predictions=predictions)
print(results)

{'exact_match': 0.3333333333333333}
Introducere în LLM-uri cu Python

Să exersăm!

Introducere în LLM-uri cu Python

Preparing Video For Download...