某些指标只能在整个实验级别定义，而不是在实验的单个运行级别定义。例如，您可能想要计算评估目标在数据集中所有示例上的总体通过率或F1分数。这些被称为摘要评估器。

基础示例

在这里，我们将计算F1分数，它是精确率和召回率的组合。

这种指标只能在我们实验中的所有示例上计算，因此我们的评估器接受一个输出列表和一个参考列表_outputs.

def f1_score_summary_evaluator(outputs: list[dict], reference_outputs: list[dict]) -> dict:
    true_positives = 0
    false_positives = 0
    false_negatives = 0

    for output_dict, reference_output_dict in zip(outputs, reference_outputs):
        output = output_dict["class"]
        reference_output = reference_output_dict["class"]

        if output == "Toxic" and reference_output == "Toxic":
            true_positives += 1
        elif output == "Toxic" and reference_output == "Not toxic":
            false_positives += 1
        elif output == "Not toxic" and reference_output == "Toxic":
            false_negatives += 1

    if true_positives == 0:
        return {"key": "f1_score", "score": 0.0}

    precision = true_positives / (true_positives + false_positives)
    recall = true_positives / (true_positives + false_negatives)
    f1_score = 2 * (precision * recall) / (precision + recall)

    return {"key": "f1_score", "score": f1_score}

function f1ScoreSummaryEvaluator({ outputs, referenceOutputs }: {
    outputs: Record<string, any>[],
    referenceOutputs: Record<string, any>[]
}) {
    let truePositives = 0;
    let falsePositives = 0;
    let falseNegatives = 0;

    for (let i = 0; i < outputs.length; i++) {
        const output = outputs[i]["class"];
        const referenceOutput = referenceOutputs[i]["class"];

        if (output === "Toxic" && referenceOutput === "Toxic") {
            truePositives += 1;
        } else if (output === "Toxic" && referenceOutput === "Not toxic") {
            falsePositives += 1;
        } else if (output === "Not toxic" && referenceOutput === "Toxic") {
            falseNegatives += 1;
        }
    }

    if (truePositives === 0) {
        return { key: "f1_score", score: 0.0 };
    }

    const precision = truePositives / (truePositives + falsePositives);
    const recall = truePositives / (truePositives + falseNegatives);
    const f1Score = 2 * (precision * recall) / (precision + recall);

    return { key: "f1_score", score: f1Score };
}

然后您可以将此评估器传递给 evaluate 方法，如下所示：

from langsmith import Client

ls_client = Client()
dataset = ls_client.clone_public_dataset(
    "https://smith.langchain.com/public/3d6831e6-1680-4c88-94df-618c8e01fc55/d"
)

def bad_classifier(inputs: dict) -> dict:
    return {"class": "Not toxic"}

def correct(outputs: dict, reference_outputs: dict) -> bool:
    """Row-level correctness evaluator."""
    return outputs["class"] == reference_outputs["label"]

results = ls_client.evaluate(
    bad_classified,
    data=dataset,
    evaluators=[correct],
    summary_evaluators=[pass_50],
)

const client = new Client();
const datasetName = "Toxic queries";
const dataset = await client.clonePublicDataset(
    "https://smith.langchain.com/public/3d6831e6-1680-4c88-94df-618c8e01fc55/d",
    { datasetName: datasetName }
);

function correct({ outputs, referenceOutputs }: {
    outputs: Record<string, any>,
    referenceOutputs?: Record<string, any>
}): EvaluationResult {
    const score = outputs["class"] === referenceOutputs?.["label"];
    return { key: "correct", score };
}

function badClassifier(inputs: Record<string, any>): { class: string } {
    return { class: "Not toxic" };
}

await evaluate(badClassifier, {
    data: datasetName,
    evaluators: [correct],
    summaryEvaluators: [summaryEval],
    experimentPrefix: "Toxic Queries",
});

在 LangSmith UI 中，您将看到摘要评估器的分数以相应的键显示。

!summary_eval.png

摘要评估器参数

摘要评估器函数必须具有特定的参数名称。它们可以接受以下参数的任意子集：

• * inputs: list[dict]：与数据集中单个示例对应的输入列表。
• * outputs: list[dict]：每个实验在给定输入上产生的字典输出列表。
• * reference_outputs/referenceOutputs: list[dict]：与该示例关联的参考输出列表（如果有）。
• * runs: list[Run]：两个实验在给定示例上生成的完整 Run 对象列表。如果您需要访问每个运行的中间步骤或元数据，请使用此参数。
• * examples: list[Example]：所有数据集 Example 对象，包括示例输入、输出（如果有）和元数据（如果有）。

摘要评估器输出

摘要评估器应返回以下类型之一：

Python and JS/TS

• * dict：形式为 {"score": ..., "name": ...} 的字典，允许您传递数值或布尔分数以及指标名称。

目前仅支持 Python

• * int | float | bool：这被解释为可以求平均值、排序等的连续指标。函数名用作指标名称。