Skip to main content
NetApp Solutions
简体中文版经机器翻译而成，仅供参考。如与英语版出现任何冲突，应以英语版为准。

验证结果

贡献者
PDF

如上一节所述，只要有两个或更多机器学习模型按顺序运行，错误就会传播到整个管道中。对于此解决方案，句子的感受是衡量公司股票风险水平的最重要因素。语音到文本模式虽然对管道至关重要，但在预测情感之前，它是预处理单元。真正重要的是基本事实句子与预测的句子之间的情感差异。此选项用作错误率（ WER ）一词的代理。语音到文本的准确性非常重要，但 WER 不会直接用于最终管道指标。

PIPELINE_SENTIMENT_METRIC = MEAN(DIFF(GT_sentiment, ASR_sentiment))

可以根据每句话的 F1 分数，回顾和精确度计算这些情感指标。然后，可以汇总结果并将其显示在混乱列表中，同时还可以显示每个指标的置信区间。

使用传输学习的优势在于，模型性能提高，只需满足极少的数据要求，培训时间和成本。此外，还应将经过微调的模型与其基线版本进行比较，以确保传输学习可以提高性能，而不会影响性能。换言之，经过微调的模型在支持中心数据上的性能应比预先训练的模型更好。

渠道评估

测试用例 详细信息

测试编号

渠道感受指标

测试前提条件

经过微调的语音到文本和情感分析模型模型

预期结果

经过微调的模型的情感指标比原始的预先训练模型的性能更好。

渠道感受指标

  1. 计算基线模型的情感指标。

  2. 计算经过微调的模型的情感指标。

  3. 计算这些指标之间的差异。

  4. 计算所有句子之间的差异平均值。