evaluate लाइब्रेरी

Python में LLMs का परिचय

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

evaluate लाइब्रेरी

import evaluate

accuracy = evaluate.load("accuracy")

print(accuracy.description)

Accuracy कुल प्रोसेस किए गए केसों में सही प्रेडिक्शंस का अनुपात है. इसे ऐसे निकाला जा सकता है:
Accuracy = (TP + TN) / (TP + TN + FP + FN)
जहाँ:
TP: True positive
TN: True negative
FP: False positive
FN: False negative

Metric: ground truth के आधार पर मॉडल परफॉर्मेंस आँकें

Comparison: दो मॉडलों की तुलना करें

Measurement: डेटासेट गुणों पर इनसाइट लें

Features एट्रिब्यूट

print(accuracy.features)

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

किसी metric के अपेक्षित इनपुट देखें

'predictions': model outputs
'references': ground truth
.features: क्लास लेबल के सपोर्टेड टाइप दिखाता है, जैसे 'int32' या '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)}

LLM tasks और metrics

भाषा कार्यों के लिए मूल्यांकन metrics

LLM tasks और metrics

भाषा कार्यों के लिए मूल्यांकन metrics

Classification metrics

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]

Metric आउटपुट

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}

हमारे fine-tuned मॉडल का मूल्यांकन

# सहेजे गए मॉडल और tokenizer को लोड करें 
# .from_pretrained("my_finetuned_files") के साथ


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}

सही metric चुनना

सजग रहें: हर metric अपनी कुछ insights लाता है, और कुछ limitations भी

विस्तृत रहें: metrics के संयोजन का उपयोग करें (और जहाँ संभव हो, domain-specific KPIs भी)

जागरूकता, सोच और निर्णय लेने को दिखाने के लिए बल्ब वाले मस्तिष्क का चित्रण.

अभ्यास करते हैं!

Python में LLMs का परिचय