File size: 6,093 Bytes
4d6a927 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 | """Замер нормализатора.
python scripts/evaluate.py # открытый набор eval/testset.jsonl (split=test)
python scripts/evaluate.py --split dev
python scripts/evaluate.py --jsonl FILE --noisy-key sah_noisy --gold-key sah_gold # любой другой набор
Считается по словам (без регистра):
замены букв — то же, но только по словам, которые отличаются от эталона лишь заменой
букв из таблицы (без опечаток, пропуска долгих гласных, латиницы целиком);
исправлено — доля «грязных» слов (написано ≠ эталон), которые стали равны эталону;
испорчено — доля правильных слов (написано = эталон), которые нормализатор изменил;
русские — доля слов в русских фразах (eval/russian.txt), которые изменились.
"""
import argparse, collections, json, os, sys, time
HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.join(HERE, '..'))
from sakha_normalizer import Normalizer
from sakha_normalizer.normalizer import WORD
def toks(s):
return [w.lower() for w in WORD.findall(s)]
def score(n, rows, noisy_key, gold_key, prof_key='profile'):
by = collections.defaultdict(collections.Counter)
for r in rows:
noisy, gold = r[noisy_key], r[gold_key]
out = n.normalize(noisy)
tn, tg, to = toks(noisy), toks(gold), toks(out)
p = r.get(prof_key, 'all')
for key in (p, 'ВСЕГО'):
c = by[key]
c['sent'] += 1
if not (len(tn) == len(tg) == len(to)):
c['skipped'] += 1
continue
for a, g, o in zip(tn, tg, to):
if a != g:
c['dirty'] += 1
c['fixed'] += o == g
if n._cost(a, g) is not None: # отличие только заменой букв из таблицы
c['dirty_sub'] += 1
c['fixed_sub'] += o == g
else:
c['clean'] += 1
c['broken'] += o != g
c['tok'] += 1
c['ok_after'] += o == g
c['ok_before'] += a == g
return by
def fmt(by):
lines = [f"{'профиль':10} {'предл':>6} {'пропущ':>6} {'грязных':>8} {'исправлено':>10} {'испорчено':>9} {'верно до':>8} {'верно после':>11} {'замены букв: исправлено':>24}"]
for p in sorted(by, key=lambda x: (x == 'ВСЕГО', x)):
c = by[p]
pct = lambda a, b: f"{100 * a / b:.1f}%" if b else '—'
lines.append(f"{p:10} {c['sent']:6} {c['skipped']:6} {c['dirty']:8} {pct(c['fixed'], c['dirty']):>10} "
f"{pct(c['broken'], c['clean']):>9} {pct(c['ok_before'], c['tok']):>8} {pct(c['ok_after'], c['tok']):>11} {pct(c['fixed_sub'], c['dirty_sub']):>14} из {c['dirty_sub']}")
return '\n'.join(lines)
def russian(n, path):
total = changed = 0
bad = []
for line in open(path, encoding='utf-8'):
s = line.strip()
if not s:
continue
out = n.normalize(s)
a, b = toks(s), toks(out)
total += len(a)
d = sum(x != y for x, y in zip(a, b))
changed += d
if d:
bad.append((s, out))
return total, changed, bad
def mixed(n, path):
rows = [json.loads(l) for l in open(path, encoding='utf-8') if l.strip()]
ok = 0; bad = []
for r in rows:
out = n.normalize(r['in'])
if out == r['out']:
ok += 1
else:
bad.append((r['in'], out, r['out']))
return len(rows), ok, bad
def main():
ap = argparse.ArgumentParser()
ap.add_argument('--jsonl', default=os.path.join(HERE, '..', 'eval', 'testset.jsonl'))
ap.add_argument('--split', default='test')
ap.add_argument('--noisy-key', default='noisy')
ap.add_argument('--gold-key', default='gold')
ap.add_argument('--russian', default=os.path.join(HERE, '..', 'eval', 'russian.txt'))
ap.add_argument('--mixed', default=os.path.join(HERE, '..', 'eval', 'mixed.jsonl'))
ap.add_argument('--show', type=int, default=0, help='показать N ошибок')
a = ap.parse_args()
n = Normalizer()
rows = [json.loads(l) for l in open(a.jsonl, encoding='utf-8')]
if rows and 'split' in rows[0]:
rows = [r for r in rows if r['split'] == a.split]
t = time.time()
by = score(n, rows, a.noisy_key, a.gold_key)
dt = time.time() - t
print(f"Набор: {os.path.basename(a.jsonl)} ({a.split if 'split' in (rows[0] if rows else {}) else 'весь'}), {len(rows)} предложений, {dt:.1f} c")
print(fmt(by))
tot, ch, bad = russian(n, a.russian)
print(f"\nРусские фразы: изменено {ch} из {tot} слов ({100 * ch / max(tot, 1):.1f}%)")
for s, o in bad[:a.show or 0]:
print(' ', s, '→', o)
tot, ok, badm = mixed(n, a.mixed)
print(f"Смешанные фразы (ручной набор): верно {ok} из {tot}")
for i, o, g in badm[:a.show or 0]:
print(' вход:', i, '| вышло:', o, '| ждали:', g)
if a.show:
print('\nПримеры ошибок на наборе:')
k = 0
for r in rows:
out = n.normalize(r[a.noisy_key])
tn, tg, to = toks(r[a.noisy_key]), toks(r[a.gold_key]), toks(out)
if len(tn) == len(tg) == len(to):
errs = [(x, y, z) for x, y, z in zip(tn, tg, to) if y != z]
if errs:
print(' ', r.get('profile'), errs[:4])
k += 1
if k >= a.show:
break
if __name__ == '__main__':
main()
|