1. 首页
  2. Rasa

Rasa 模型评估【6】—Rasa 中文官方文档,聊天机器人,上下文管理,多伦对话,意图识别,填槽

本文是全系列中第4 / 10篇:Rasa 聊天机器人

模型评估

注意:
如果你希望调整NLU模型的超参数,请查看本教程

NLU模型评估

机器学习中的标准技术是将一些数据作为测试集分开。你可以使用以下方法将NLU训练数据拆分为训练集和测试集:

rasa data split nlu

如果你已经这样做了,你可以使用此命令查看你的NLU模型预测测试用例的情况:

rasa test nlu -u test_set.md --model models/nlu-20180323-145833.tar.gz

如果你不想创建单独的测试集,可以使用交叉验证来估计模型的泛化能力。为此,请添加参数--cross-validation

rasa test nlu -u data/nlu.md --config config.yml --cross-validation

该命名的完整参数列表如下:

用法: rasa test nlu [-h] [-v] [-vv] [--quiet] [-m MODEL]  [-u NLU] [--out OUT]
                     [--report [REPORT]] [--successes [SUCCESSES]]
                     [--errors ERRORS] [--histogram HISTOGRAM]
                     [--confmat CONFMAT] [-c CONFIG [CONFIG ...]]
                     [--cross-validation] [-f FOLDS] [-r RUNS]
                     [-p PERCENTAGES [PERCENTAGES ...]]

可选参数:
 -h, --help     显示帮助消息并退出。
 -m MODEL, --model MODEL
                已训练的Rasa模型的路径。如果目录指定,它将使用目录中的最新的模型。(默认:None)
  -u NLU, --nlu NLU     包含你的NLU模型的文件或是文件夹(默认: data)
 --out OUT     在评估期间创建的任何文件的输出路径。(默认:results)
 --report [REPORT]
                用于保存意图/实体度量报告的输出路径。(默认:None)
 --successes [SUCCESSES]
                保存成功预测的输出路径。(默认:None)
 --errors ERRORS
                保存模型错误的输出路径。(默认:errors.json)
 --histogram HISTOGRAM
                置信直方图的输出路径。(默认:hist.png)
 --confmat CONFMAT
                混淆矩阵图的输出路径。(默认:confmat.png)
 -c CONFIG [CONFIG ...], --config CONFIG [CONFIG ...]
                模型配置文件。如果传递单个文件并选择交叉验证模式,交叉验证执行,如果传递多个配置或配置的文件夹,模型将直接被训练和比较。(默认:None)

Python日志选项:
 -v, --verbose  详细输出。将日志记录级别设置为INFO。(默认:None)
 -vv, --debug   打印大量的调试语句。设置日志记录级别为 DEBUG。(默认:None)
 --quiet        将日志记录级别设置为WARNING。(默认:None) 

交叉验证:
 --cross-validation
                打开交叉验证模式。任何提供的模型将被忽略。(默认值:False)
-f FOLDS, --folds FOLDS
                交叉验证折叠数。(默认值:10)

比较模式:
-r RUNS, --runs RUNS
                要进行的比较运行次数。(默认值:3)
-p PERCENTAGES [PERCENTAGES ...], --percentages PERCENTAGES [PERCENTAGES ...]    
                在比较期间排除的训练数据的百分比。(默认:[0,25,50,75])

比较NLU管道

通过将多个管道配置(或包含它们的文件夹)传递给CLI,Rasa将在管道之间进行比较检查。

$ rasa test nlu --config pretrained_embeddings_spacy.yml supervised_embeddings.yml
  --nlu data/nlu.md --runs 3 --percentages 0 25 50 70 90

上例中的命令将根据你的数据创建一个训练/测试划分,然后多次训练每个管道,其中分别从训练集中排除0,25,50,70和90%的意图数据,然后在测试集上评估模型,并记录每个排除百分比的f1-score。该过程运行三次(即总共有3个测试集),然后使用f1-score的平均值和标准偏差绘制图表。

f1-score图表、所有训练/测试集、训练模型、分类和错误报告将保存到名为nlu_comparison_results的文件夹中。

意图分类

评估命令将为你的模型生成报告,混淆矩阵和置信度直方图。

该报告记录每个意图和实体的精确度,召回率和f1度量,并提供总体平均值。你可以使用--report参数将这些报告另存为JSON文件。

混淆矩阵向你显示哪些意图被误认为是其他意图;任何错误预测的样本都会被记录并保存到名为errors.json的文件中,以便于调试。

命令生成的直方图允许你可视化所有预测的置信度分布,其中正确和错误预测的大小分别由蓝色和红色条显示。提高训练数据的质量会使蓝色直方图条向右移动,红色直方图条移动到图的左侧。

注意:
只有在测试集上评估模型时,才会创建混淆矩阵。在交叉验证模式下,将不会生成混淆矩阵。

警告:
如果你的任何实体被错误地注释,你的评估可能会失败。一个常见问题是实体无法在标记内停止或启动。例如,如果你有一个name实体的示例,如 [Brian](name)'s house,这仅在你的标记器将Brian's分成多个标记时才有效。在这种情况下,空格标记器不起作用

实体提取

CRFEntityExtractor是你使用自己的数据训练的唯一实体提取器,因此是唯一将被评估的实体提取器。如果你使用spaCy或预训练实体提取器,Rasa NLU将不会在评估中包含这些。

Rasa NLU将报告训练过的CRFEntityExtractor识别的每种实体类型的召回率,精确率和f1度量。

实体评分

为了评估实体提取,我们应用一种简单的基于标签的方法。我们不考虑BILOU标记,而只考虑每个标记的实体类型标记。对于像“near Alexanderplatz”这样的位置实体,我们期望标记为LOC LOC而不是基于BILOU的B-LOC L-LOC。我们的方法在评估时更宽松,因为它奖励部分提取并且不惩罚实体的分裂。例如,鉴于上述实体“near Alexanderplatz”和提取“Alexanderplatz”的系统,我们的方法奖励“Alexanderplatz”的提取并惩罚遗漏输出的“near”单词。然而,基于BILOU的方法将此标记为完全失败,因为它期望“Alexanderplatz”作为最后一个标记被标记为实体 (L-LOC)而不是单个标记实体(U-LOC)。另请注意,“near”和“Alexanderplatz”的分割提取将在我们的方法上获得满分,在基于BILOU的方法上获得零分。

以下是这两个评分机制对于短语“near Alexanderplatz tonight”的比较:

提取结果 简单标签(得分) BILOU标签(得分)
[near Alexanderplatz](loc) [tonight](time) loc loc time (3) B-loc L-loc U-time (3)
[[near](loc) [Alexanderplatz](loc) [tonight](time) loc loc time (3) U-loc U-loc U-time (1)
near [Alexanderplatz](loc) [tonight](time) O loc time (2) O U-loc U-time (1)
[near](loc) Alexanderplatz [tonight](time) loc O time (2) U-loc O U-time (1)
[near Alexanderplatz tonight](loc) loc loc loc (2) B-loc I-loc L-loc (1)

评估Core模型

你可以使用评估命令在一组测试故事中评估训练模型:

 rasa test core --stories test_stories.md --out results

这会将失败的故事打印到results/failed_stories.md。如果至少有一个操作被错误预测,我们会将任何故事视为失败。

此外,这会将混淆矩阵保存到名为results/story_confmat.pdf的文件中。对于你域中的每个操作,混淆矩阵会显示操作的正确预测频率以及预测错误操作的频率。

该命令的完整选项列表如下:

用法: rasa test core [-h] [-v] [-vv] [--quiet] [-m MODEL [MODEL ...]]
                      [-s STORIES] [--max-stories MAX_STORIES] [--out OUT]
                      [--e2e] [--endpoints ENDPOINTS]
                      [--fail-on-prediction-errors] [--url URL]
                      [--evaluate-model-directory]

可选参数:
 -h, --help     显示帮助消息并退出。

-m MODEL [MODEL ...], --model MODEL [MODEL ...]
                预训练模型的路径。如果是'tar.gz'文件m将使用该模型文件。如果是目录,将使用该目录中的最新模型。(例外:' --   validate-model-directory'标志已设置)。如果提供了多个'tar.gz'文件,那么所有这些文件模型将被比较。(默认:[None])

-s STORIES, --stories STORIES
                包含测试故事的文件或文件夹。(默认: data)
--max-stories MAX_STORIES
                要测试的最大故事数。(默认:None)
--out OUT       在评估期间创建的任何文件的输出路径。(默认:result)
--e2e, --end-to-end   
                对联合操作和意图预测进行端到端评估。需要端到端的故事文件式。(默认值:False)
--endpoints ENDPOINTS
                连接器的配置文件为yml文件。(默认:None)
--fail-on-prediction-errors
                如果预测错误,会抛出异常。这可以用来在测试期间验证故事。
                (default: False)
--url URL       如果提供,则从URL下载故事文件并训练就可以了。通过发送GET请求到提供的URL获取数据。(默认:None)
--evaluate-model-directory
                 通过`rasa train core --config <config-1> <config-2>`设置评估已训练的模型。所有在提供的目录中模型被评估和互相比较。(默认值:False)

Python日志选项:
 -v, --verbose  详细输出。将日志记录级别设置为INFO。(默认:None)
 -vv, --debug   打印大量的调试语句。设置日志记录级别为 DEBUG。(默认:None)
 --quiet        将日志记录级别设置为WARNING。(默认:None) 

比较策略

要选择特定的策略配置,或选择特定策略的超参数,你需要衡量Rasa Core泛化以前从未见过的对话的程度。特别是在项目的开始阶段,你没有很多真正的对话来用来训练你的机器人,所以你不想划分一些用作测试集。

Rasa Core有一些脚本可帮助你选择和微调策略配置。只要你愿意,你就可以在完整数据集上训练最终配置。要做到这一点,首先必须针对不同的策略训练模型。创建两个(或更多)配置文件,包括要比较的策略(每个只包含一个策略),然后使用训练命令的compare模式训练模型:

$ rasa train core -c config_1.yml config_2.yml \
  -d domain.yml -s stories_folder --out comparison_models --runs 3 \
  --percentages 0 5 25 50 70 95

对于提供的每个策略配置,Rasa Core将进行多次训练,每次分别将0,5,25,50,70和95%的训练故事排除在训练数据之外。这是多次运行完成的,以确保一致的结果。

上面的命令运行完成后,你可以使用评估命令在compare模式下来评估刚训练的模型:

$ rasa test core -m comparison_models --stories stories_folder
--out comparison_results --evaluate-model-directory

这将评估训练集上的每个模型,并绘制一些图表以显示哪个策略表现最佳。通过在整个故事集上评估,你可以衡量Rasa Core对预测故事的预测效果。

如果你不确定要比较哪些策略,我们建议你尝试使用EmbeddingPolicyKerasPolicy来查看哪种策略更适合你。

注意:
这个训练过程可能需要很长时间,所以我们建议让它在后台运行,不能中断

端到端评估

Rasa允许你端到端地评估对话,运行测试对话并确保NLU和Core都能做出正确的预测。

为此,你需要一些端到端格式的故事,其中包括NLU输出和原始文本。比如:

## end-to-end story 1
* greet: hello
   - utter_ask_howcanhelp
* inform: show me [chinese](cuisine) restaurants
   - utter_ask_location
* inform: in [Paris](location)
   - utter_ask_price

如果你将端到端故事保存为名为e2e_stories.md的文件,则可以通过运行以下命令指定文件评估你的模型:

$ rasa test --stories e2e_stories.md --e2e

*注意:
确保models的模型文件是组合Core和NLU模型。如果它不包含NLU模型,Core将使用默认的RegexInterpreter

Rasa 英文网站:https://rasa.com/

Rasa 中文官方文档,聊天机器人,上下文管理,多伦对话,意图识别,填槽,中文聊天机器人开发必备手册:
http://rasachatbot.com/

磐创AI-中文聊天机器人
http://panchuangai.com/

原创文章,作者:fendouai,如若转载,请注明出处:https://panchuang.net/2019/08/31/rasa_evaluating_models/

发表评论

电子邮件地址不会被公开。

联系我们

400-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息