为您的任务选择指标

因此，您已经训练了您的模型，并且想要查看它在您选择的数据集上的表现如何。从哪里开始呢？

选择评估指标没有“一刀切”的方法，但需要牢记一些良好的指导原则

指标类别

指标有 3 个高级别类别

1. 通用指标，可应用于各种情况和数据集，例如精确率和准确率。
2. 特定于任务的指标，仅限于给定的任务，例如机器翻译（通常使用指标 BLEU 或 ROUGE 评估）或命名实体识别（通常使用 seqeval 评估）。
3. 特定于数据集的指标，旨在衡量模型在特定基准上的性能：例如，GLUE 基准 有一个专用的 评估指标。

让我们看看这三种情况

通用指标

机器学习社区中使用的许多指标都非常通用，可以应用于各种任务和数据集。

对于像 准确率 和 精确率 这样的指标就是这种情况，它们可以用于评估标记的（监督的）数据集，以及 困惑度，它可以用于评估不同类型的（无监督的）生成任务。

要查看给定指标的输入结构，您可以查看其指标卡。例如，在 精确率 的情况下，格式为

>>> precision_metric = evaluate.load("precision")
>>> results = precision_metric.compute(references=[0, 1], predictions=[0, 1])
>>> print(results)
{'precision': 1.0}

特定于任务的指标

流行的机器学习任务，如机器翻译和命名实体识别，都有特定的指标可用于比较模型。例如，已经为文本生成提出了一系列不同的指标，从 BLEU 及其衍生版本（如 GoogleBLEU 和 GLEU）到 ROUGE、MAUVE 等。

您可以通过以下方式找到适合您任务的指标：

• 查看 任务页面 以了解哪些指标可用于评估给定任务的模型。
• 查看 Papers With Code 等网站上的排行榜（您可以按任务和数据集搜索）。
• 阅读相关指标的指标卡，并查看哪些指标适合您的用例。例如，请参阅 BLEU 指标卡 或 SQuaD 指标卡。
• 查看发表在该主题上的论文和博文，并查看他们报告的指标。这会随着时间的推移而发生变化，因此请尝试选择最近几年的论文！

数据集特定指标

某些数据集具有与其关联的特定指标——这在流行的基准测试（如 GLUE 和 SQuAD）中尤其常见。

如果您正在使用上述基准数据集评估您的模型，则可以使用其专用的评估指标。请确保您遵守它们所需的形式。例如，要评估您在 SQuAD 数据集上的模型，您需要将 question 和 context 馈送到您的模型并返回 prediction_text，该文本应与 references（基于匹配问题的 id）进行比较。

>>> from evaluate import load
>>> squad_metric = load("squad")
>>> predictions = [{'prediction_text': '1976', 'id': '56e10a3be3433e1400422b22'}]
>>> references = [{'answers': {'answer_start': [97], 'text': ['1976']}, 'id': '56e10a3be3433e1400422b22'}]
>>> results = squad_metric.compute(predictions=predictions, references=references)
>>> results
{'exact_match': 100.0, 'f1': 100.0}

您可以通过查阅给定数据集的“数据集预览”功能或数据集卡片来查找数据集结构的示例，并且您可以根据指标卡片查看如何使用其专用的评估函数。