模型评估
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
rasa test nlu -u test_set.md --model models/nlu-20180323-145833.tar.gz
--cross-validation：rasa test nlu -u data/nlu.md --config config.yml --cross-validation
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：
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
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。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。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EmbeddingPolicy和KerasPolicy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
