为您的任务选择一个评估指标

您已经训练好模型，并想看看它在您选择的数据集上的表现如何。您应该从哪里开始呢？

选择评估指标没有“一刀切”的方法，但有一些好的指导方针需要牢记：

评估指标的类别

评估指标有 3 个高级类别：

1. 通用指标，可以应用于各种情况和数据集，例如精确率和准确率。
2. 特定任务指标，仅限于给定的任务，例如机器翻译（通常使用 BLEU 或 ROUGE 指标进行评估）或命名实体识别（通常使用 seqeval 进行评估）。
3. 特定数据集指标，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中的每一种

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。

例如准确率和精确率等指标，可用于评估有标签（监督）数据集，以及困惑度，可用于评估不同类型的（无监督）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片。例如，在精确率的情况下，格式是

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

特定任务指标

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，已经提出了一系列不同的文本生成指标，从 BLEU 及其衍生品如 GoogleBLEU 和 GLEU，还有 ROUGE、MAUVE 等。

您可以通过以下方式为您的任务找到合适的指标：

• 查看任务页面，了解可用于评估给定任务模型的指标。
• 查看排行榜，例如在 Papers With Code 等网站上（您可以按任务和数据集搜索）。
• 阅读相关指标的指标卡片，看看哪些适合您的用例。例如，请参阅 BLEU 指标卡片或 SQuAD 指标卡片。
• 阅读关于该主题的论文和博客文章，看看他们报告了哪些指标。这可能会随时间变化，所以尽量选择近几年的论文！

特定数据集指标

一些数据集有与之相关的特定指标——这在像 GLUE 和 SQuAD 这样的流行基准中尤其如此。

如果您正在像上述基准数据集上评估您的模型，您可以使用其专用的评估指标。请确保您遵守它们要求的格式。例如，要在 SQuAD 数据集上评估您的模型，您需要将 `question` 和 `context` 输入到您的模型中，并返回 `prediction_text`，这应该与 `references` 进行比较（基于匹配问题的 `id`）。

>>> 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“数据集预览”功能或给定数据集的数据集卡片来找到数据集结构的示例，并且您可以根据指标卡片了解如何使用其专用的评估功能。