63 lines
5.5 KiB
Markdown
63 lines
5.5 KiB
Markdown
|
# 评估指标
|
|||
|
|
|
|||
|
|
在评测阶段，我们一般以数据集本身的特性来选取对应的评估策略，最主要的依据为**标准答案的类型**，一般以下几种类型：
|
|||
|
|
|
|||
|
|
- **选项**：常见于分类任务，判断题以及选择题，目前这类问题的数据集占比最大，有 MMLU, CEval数据集等等，评估标准一般使用准确率--`ACCEvaluator`。
|
|||
|
|
- **短语**：常见于问答以及阅读理解任务，这类数据集主要包括CLUE_CMRC, CLUE_DRCD, DROP数据集等等，评估标准一般使用匹配率--`EMEvaluator`。
|
|||
|
|
- **句子**：常见于翻译以及生成伪代码、命令行任务中，主要包括Flores, Summscreen, Govrepcrs, Iwdlt2017数据集等等，评估标准一般使用BLEU(Bilingual Evaluation Understudy)--`BleuEvaluator`。
|
|||
|
|
- **段落**：常见于文本摘要生成的任务，常用的数据集主要包括Lcsts, TruthfulQA, Xsum数据集等等，评估标准一般使用ROUGE（Recall-Oriented Understudy for Gisting Evaluation）--`RougeEvaluator`。
|
|||
|
|
- **代码**：常见于代码生成的任务，常用的数据集主要包括Humaneval，MBPP数据集等等，评估标准一般使用执行通过率以及 `pass@k`，目前 Opencompass 支持的有`MBPPEvaluator`、`HumanEvaluator`。
|
|||
|
|
|
|||
|
|
还有一类**打分类型**评测任务没有标准答案，比如评判一个模型的输出是否存在有毒，可以直接使用相关 API 服务进行打分，目前支持的有 `ToxicEvaluator`，目前有 realtoxicityprompts 数据集使用此评测方式。
|
|||
|
|
|
|||
|
|
## 已支持评估指标
|
|||
|
|
|
|||
|
|
目前 OpenCompass 中，常用的 Evaluator 主要放在 [`opencompass/openicl/icl_evaluator`](https://github.com/open-compass/opencompass/tree/main/opencompass/openicl/icl_evaluator)文件夹下， 还有部分数据集特有指标的放在 [`opencompass/datasets`](https://github.com/open-compass/opencompass/tree/main/opencompass/datasets) 的部分文件中。以下是汇总：
|
|||
|
|
|
|||
|
|
| 评估指标 | 评估策略 | 常用后处理方式 | 数据集 |
|
|||
|
|
| ------------------ | -------------------- | --------------------------- | -------------------------------------------------------------------- |
|
|||
|
|
| `ACCEvaluator` | 正确率 | `first_capital_postprocess` | agieval, ARC, bbh, mmlu, ceval, commonsenseqa, crowspairs, hellaswag |
|
|||
|
|
| `EMEvaluator` | 匹配率 | None, dataset_specification | drop, CLUE_CMRC, CLUE_DRCD |
|
|||
|
|
| `BleuEvaluator` | BLEU | None, `flores` | flores, iwslt2017, summscreen, govrepcrs |
|
|||
|
|
| `RougeEvaluator` | ROUGE | None, dataset_specification | lcsts, truthfulqa, Xsum, XLSum |
|
|||
|
|
| `HumanEvaluator` | pass@k | `humaneval_postprocess` | humaneval_postprocess |
|
|||
|
|
| `MBPPEvaluator` | 执行通过率 | None | mbpp |
|
|||
|
|
| `ToxicEvaluator` | PerspectiveAPI | None | realtoxicityprompts |
|
|||
|
|
| `AGIEvalEvaluator` | 正确率 | None | agieval |
|
|||
|
|
| `AUCROCEvaluator` | AUC-ROC | None | jigsawmultilingual, civilcomments |
|
|||
|
|
| `MATHEvaluator` | 正确率 | `math_postprocess` | math |
|
|||
|
|
| `MccEvaluator` | Matthews Correlation | None | -- |
|
|||
|
|
| `SquadEvaluator` | F1-scores | None | -- |
|
|||
|
|
|
|||
|
|
## 如何配置
|
|||
|
|
|
|||
|
|
评估标准配置一般放在数据集配置文件中，最终的 xxdataset_eval_cfg 会传给 `dataset.infer_cfg` 作为实例化的一个参数。
|
|||
|
|
|
|||
|
|
下面是 `govrepcrs_eval_cfg` 的定义， 具体可查看 [configs/datasets/govrepcrs](https://github.com/open-compass/opencompass/tree/main/configs/datasets/govrepcrs)。
|
|||
|
|
|
|||
|
|
```python
|
|||
|
|
from opencompass.openicl.icl_evaluator import BleuEvaluator
|
|||
|
|
from opencompass.datasets import GovRepcrsDataset
|
|||
|
|
from opencompass.utils.text_postprocessors import general_cn_postprocess
|
|||
|
|
|
|||
|
|
govrepcrs_reader_cfg = dict(.......)
|
|||
|
|
govrepcrs_infer_cfg = dict(.......)
|
|||
|
|
|
|||
|
|
# 评估指标的配置
|
|||
|
|
govrepcrs_eval_cfg = dict(
|
|||
|
|
evaluator=dict(type=BleuEvaluator), # 使用常用翻译的评估器BleuEvaluator
|
|||
|
|
pred_role='BOT', # 接受'BOT' 角色的输出
|
|||
|
|
pred_postprocessor=dict(type=general_cn_postprocess), # 预测结果的后处理
|
|||
|
|
dataset_postprocessor=dict(type=general_cn_postprocess)) # 数据集标准答案的后处理
|
|||
|
|
|
|||
|
|
govrepcrs_datasets = [
|
|||
|
|
dict(
|
|||
|
|
type=GovRepcrsDataset, # 数据集类名
|
|||
|
|
path='./data/govrep/', # 数据集路径
|
|||
|
|
abbr='GovRepcrs', # 数据集别名
|
|||
|
|
reader_cfg=govrepcrs_reader_cfg, # 数据集读取配置文件，配置其读取的split，列等
|
|||
|
|
infer_cfg=govrepcrs_infer_cfg, # 数据集推理的配置文件，主要 prompt 相关
|
|||
|
|
eval_cfg=govrepcrs_eval_cfg) # 数据集结果的评估配置文件，评估标准以及前后处理。
|
|||
|
|
]
|
|||
|
|
```
|