使用 Cleanlab 检测文本数据集中的问题

作者：Aravind Putrevu

在这个 5 分钟的快速入门教程中，我们使用 Cleanlab 来检测在线银行客户服务请求（文本）意图分类数据集中的各种问题。我们考虑了 Banking77-OOS 数据集 的一个子集，其中包含 1,000 个客户服务请求，这些请求根据其意图被分为 10 个类别（您可以对任何文本分类数据集运行相同的代码）。Cleanlab 会自动识别我们数据集中的不良示例，包括错误标记的数据、超出范围的示例（异常值）或其他模棱两可的示例。在深入建模数据之前，请考虑过滤或更正此类不良示例！

本教程概述

• 使用预训练的 Transformer 模型从客户服务请求中提取文本嵌入

• 在文本嵌入上训练一个简单的 Logistic Regression 模型，以计算样本外预测概率

• 运行 Cleanlab 的 Datalab 审核，使用这些预测和嵌入来识别问题，例如：数据集中的标签问题、异常值和近似重复项。

快速入门

已经有了从现有标签集上训练的模型获得的（样本外）pred_probs？也许您也有一些数字features？运行以下代码以查找数据集中任何潜在的标签错误。

注意： 如果在 Colab 上运行，可能需要使用 GPU（选择：运行时 > 更改运行时类型 > 硬件加速器 > GPU）

from cleanlab import Datalab

lab = Datalab(data=your_dataset, label_name="column_name_of_labels")
lab.find_issues(pred_probs=your_pred_probs, features=your_features)

lab.report()
lab.get_issues()

安装所需的依赖项

您可以使用 pip 安装本教程所需的所有软件包，如下所示

!pip install -U scikit-learn sentence-transformers datasets
!pip install -U "cleanlab[datalab]"

import re
import string
import pandas as pd
from sklearn.metrics import accuracy_score, log_loss
from sklearn.model_selection import cross_val_predict
from sklearn.linear_model import LogisticRegression
from sentence_transformers import SentenceTransformer

from cleanlab import Datalab

import random
import numpy as np

pd.set_option("display.max_colwidth", None)

SEED = 123456  # for reproducibility
np.random.seed(SEED)
random.seed(SEED)

加载和格式化文本数据集

from datasets import load_dataset

dataset = load_dataset("PolyAI/banking77", split="train")
data = pd.DataFrame(dataset[:1000])
data.head()

>>> raw_texts, labels = data["text"].values, data["label"].values
>>> num_classes = len(set(labels))

>>> print(f"This dataset has {num_classes} classes.")
>>> print(f"Classes: {set(labels)}")

This dataset has 7 classes.
Classes: {32, 34, 36, 11, 13, 46, 17}

让我们查看数据集中的第 i 个示例

>>> i = 1  # change this to view other examples from the dataset
>>> print(f"Example Label: {labels[i]}")
>>> print(f"Example Text: {raw_texts[i]}")

Example Label: 11
Example Text: What can I do if my card still hasn't arrived after 2 weeks?

数据存储为两个 numpy 数组

1. raw_texts 以文本格式存储客户服务请求话语
2. labels 存储每个示例的意图类别（标签）

接下来，我们将文本字符串转换为更适合作为 ML 模型输入的向量。

我们将使用预训练 Transformer 模型的数字表示作为我们文本的嵌入。Sentence Transformers 库提供了计算文本数据这些嵌入的简单方法。在这里，我们加载预训练的 electra-small-discriminator 模型，然后运行我们的数据通过网络以提取每个示例的向量嵌入。

transformer = SentenceTransformer("google/electra-small-discriminator")
text_embeddings = transformer.encode(raw_texts)

我们后续的 ML 模型将直接在 text_embeddings 的元素上运行，以便对客户服务请求进行分类。

定义分类模型并计算样本外预测概率

利用预训练网络进行特定分类任务的典型方法是添加线性输出层并在新数据上微调网络参数。然而，这在计算上可能非常密集。或者，我们可以冻结网络的预训练权重，仅训练输出层，而无需依赖 GPU。在这里，我们通过在提取的嵌入之上拟合 scikit-learn 线性模型来方便地做到这一点。

为了识别标签问题，cleanlab 需要您的模型为每个数据点提供概率预测。然而，对于模型先前训练过的数据点，这些预测将是过拟合的（因此不可靠）。cleanlab 旨在仅与样本外预测类概率一起使用，即在模型训练期间保留的数据点上使用。

在这里，我们使用交叉验证的 Logistic Regression 模型获得数据集中每个示例的样本外预测类概率。确保您的 pred_probs 列根据类的排序正确排序，对于 Datalab 来说，这是：按类名称按字典顺序排序。

model = LogisticRegression(max_iter=400)

pred_probs = cross_val_predict(model, text_embeddings, labels, method="predict_proba")

使用 Cleanlab 查找数据集中的问题

给定特征嵌入和从您拥有的任何模型获得的（样本外）预测类概率，cleanlab 可以快速帮助您识别数据集中低质量的示例。

在这里，我们使用 Cleanlab 的 Datalab 来查找数据中的问题。Datalab 提供了几种加载数据的方法；我们将简单地将训练特征和噪声标签包装在一个字典中。

data_dict = {"texts": raw_texts, "labels": labels}

审核您的数据所需的全部操作是调用 find_issues()。我们传入上面获得的预测概率和特征嵌入，但您不一定需要提供所有这些信息，具体取决于您感兴趣的问题类型。您提供的输入越多，Datalab 可以在您的数据中检测到的问题类型就越多。使用更好的模型来生成这些输入将确保 cleanlab 更准确地估计问题。

lab = Datalab(data_dict, label_name="labels")
lab.find_issues(pred_probs=pred_probs, features=text_embeddings)

输出将如下所示

Finding null issues ...
Finding label issues ...
Finding outlier issues ...
Fitting OOD estimator based on provided features ...
Finding near_duplicate issues ...
Finding non_iid issues ...
Finding class_imbalance issues ...
Finding underperforming_group issues ...

Audit complete. 62 issues found in the dataset.

审核完成后，使用 report 方法查看结果

>>> lab.report()

Here is a summary of the different kinds of issues found in the data:

    issue_type  num_issues
       outlier          37
near_duplicate          14
         label          10
       non_iid           1

Dataset Information: num_examples: 1000, num_classes: 7


---------------------- outlier issues ----------------------

About this issue:
	Examples that are very different from the rest of the dataset 
    (i.e. potentially out-of-distribution or rare/anomalous instances).
    

Number of examples with this issue: 37
Overall dataset quality in terms of this issue: 0.3671

Examples representing most severe instances of this issue:
     is_outlier_issue  outlier_score
791              True       0.024866
601              True       0.031162
863              True       0.060738
355              True       0.064199
157              True       0.065075


------------------ near_duplicate issues -------------------

About this issue:
	A (near) duplicate issue refers to two or more examples in
    a dataset that are extremely similar to each other, relative
    to the rest of the dataset.  The examples flagged with this issue
    may be exactly duplicated, or lie atypically close together when
    represented as vectors (i.e. feature embeddings).
    

Number of examples with this issue: 14
Overall dataset quality in terms of this issue: 0.5961

Examples representing most severe instances of this issue:
     is_near_duplicate_issue  near_duplicate_score near_duplicate_sets  distance_to_nearest_neighbor
459                     True              0.009544               [429]                      0.000566
429                     True              0.009544               [459]                      0.000566
501                     True              0.046044          [412, 517]                      0.002781
412                     True              0.046044               [501]                      0.002781
698                     True              0.054626               [607]                      0.003314


----------------------- label issues -----------------------

About this issue:
	Examples whose given label is estimated to be potentially incorrect
    (e.g. due to annotation error) are flagged as having label issues.
    

Number of examples with this issue: 10
Overall dataset quality in terms of this issue: 0.9930

Examples representing most severe instances of this issue:
     is_label_issue  label_score  given_label  predicted_label
379           False     0.025486           32               11
100           False     0.032102           11               36
300           False     0.037742           32               46
485            True     0.057666           17               34
159            True     0.059408           13               11


---------------------- non_iid issues ----------------------

About this issue:
	Whether the dataset exhibits statistically significant
    violations of the IID assumption like:
    changepoints or shift, drift, autocorrelation, etc.
    The specific violation considered is whether the
    examples are ordered such that almost adjacent examples
    tend to have more similar feature values.
    

Number of examples with this issue: 1
Overall dataset quality in terms of this issue: 0.0000

Examples representing most severe instances of this issue:
     is_non_iid_issue  non_iid_score
988              True       0.563774
975             False       0.570179
997             False       0.571891
967             False       0.572357
956             False       0.577413

Additional Information: 
p-value: 0.0

标签问题

报告表明，cleanlab 在我们的数据集中识别出许多标签问题。我们可以使用 get_issues 方法查看哪些示例被标记为可能错误标记以及每个示例的标签质量得分，指定 label 作为参数以关注数据中的标签问题。

label_issues = lab.get_issues("label")
label_issues.head()

此方法返回一个数据帧，其中包含每个示例的标签质量得分。这些数值分数介于 0 和 1 之间，其中较低的分数表示示例更有可能被错误标记。该数据帧还包含一个布尔列，指定每个示例是否被识别为具有标签问题（表明它可能被错误标记）。

我们可以获取标记有标签问题的示例子集，并按标签质量得分排序，以查找数据集中 5 个最有可能被错误标记的示例的索引。

>>> identified_label_issues = label_issues[label_issues["is_label_issue"] == True]
>>> lowest_quality_labels = label_issues["label_score"].argsort()[:5].to_numpy()

>>> print(
...     f"cleanlab found {len(identified_label_issues)} potential label errors in the dataset.\n"
...     f"Here are indices of the top 5 most likely errors: \n {lowest_quality_labels}"
... )

cleanlab found 10 potential label errors in the dataset.
Here are indices of the top 5 most likely errors: 
 [379 100 300 485 159]

让我们回顾一下一些最有可能的标签错误。

这里我们显示了被识别为数据集中最有可能的标签错误的 5 个示例，以及它们给定的（原始）标签和 cleanlab 建议的替代标签。

data_with_suggested_labels = pd.DataFrame(
    {"text": raw_texts, "given_label": labels, "suggested_label": label_issues["predicted_label"]}
)
data_with_suggested_labels.iloc[lowest_quality_labels]

上述命令的输出将如下所示

这些是非常明显的标签错误，cleanlab 在此数据中已识别出来！请注意，given_label 没有正确反映这些请求的意图，制作此数据集的人犯了很多错误，这些错误在建模数据之前必须解决。

异常值问题

根据报告，我们的数据集包含一些异常值。我们可以通过 get_issues 查看哪些示例是异常值（以及量化每个示例的典型程度的数值质量得分）。我们按 cleanlab 的异常值质量得分对结果 DataFrame 进行排序，以查看数据集中最严重的异常值。

outlier_issues = lab.get_issues("outlier")
outlier_issues.sort_values("outlier_score").head()

输出将如下所示

lowest_quality_outliers = outlier_issues["outlier_score"].argsort()[:5]

data.iloc[lowest_quality_outliers]

最低质量异常值的示例输出将如下所示

我们看到 cleanlab 已经识别出此数据集中的条目似乎不是正确的客户请求。此数据集中的异常值似乎是超出范围的客户请求和其他对意图分类没有意义的无意义文本。仔细考虑此类异常值是否会对您的数据建模产生不利影响，如果是，请考虑从数据集中删除它们。

近似重复项问题

根据报告，我们的数据集包含一些近似重复示例集。我们可以通过 get_issues 查看哪些示例是（近似）重复的（以及量化每个示例与其数据集中最近邻居的相异程度的数值质量得分）。我们按 cleanlab 的近似重复项质量得分对结果 DataFrame 进行排序，以查看数据集中最接近重复的文本示例。

duplicate_issues = lab.get_issues("near_duplicate")
duplicate_issues.sort_values("near_duplicate_score").head()

上面的结果显示了 cleanlab 认为近似重复的示例（is_near_duplicate_issue == True 的行）。在这里，我们看到示例 459 和 429 近似重复，示例 501 和 412 也是如此。

让我们查看这些示例，看看它们有多相似。

data.iloc[[459, 429]]

示例输出

data.iloc[[501, 412]]

示例输出

我们看到这两组请求确实非常相似！在数据集中包含近似重复项可能会对模型产生意想不到的影响，并且要警惕将它们跨训练/测试集拆分。从 FAQ 中了解有关处理数据集中近似重复项的更多信息。

非 IID 问题（数据漂移）

根据报告，我们的数据集似乎不是独立同分布 (IID) 的。数据集的总体非 iid 得分（如下所示）对应于统计检验的 p 值，用于检验数据集中样本的排序是否与其特征值之间的相似性相关。较低的 p 值 强烈表明数据集违反了 IID 假设，这是从数据集生成的结论（模型）推广到更大群体的关键假设。

p_value = lab.get_info("non_iid")["p-value"]
p_value

在这里，我们的数据集被标记为非 IID，因为行恰好在原始数据中按类标签排序。如果我们记得在模型训练和数据拆分之前对行进行洗牌，这可能是良性的。但是，如果您不知道为什么您的数据被标记为非 IID，那么您应该担心潜在的数据漂移或数据点之间意外的交互（它们的值可能在统计上不独立）。仔细考虑未来的测试数据可能是什么样子（以及您的数据是否代表您关心的总体）。您不应在非 IID 测试运行之前对数据进行洗牌（会使结论无效）。

如上所示，cleanlab 可以自动将数据集中最有可能的问题列入候选名单，以帮助您更好地管理数据集以进行后续建模。通过此候选名单，您可以决定是修复这些标签问题还是从数据集中删除无意义或重复的示例，以获得更高质量的数据集来训练您的下一个 ML 模型。cleanlab 的问题检测可以使用您最初训练的任何类型的模型的输出运行。

Cleanlab 开源项目

Cleanlab 是一个标准的数据中心 AI 包，旨在解决混乱的真实世界数据的数据质量问题。

请考虑给 Cleanlab Github 仓库加星标，我们欢迎对该项目做出贡献。