-
Notifications
You must be signed in to change notification settings - Fork 1
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
Add test for tags #67
Conversation
# Conflicts: # tests/assets/data/clinc_subset.json
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
уф что-то сейчас в нампаевских операциях разобраться тяжело (конец дня)
если этот файл очень нужно поревьюить то скажи, завтра сделаю
tests/assets/data/clinc_subset.json
Outdated
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
Хммм а ты кажется поменял логику разметки тегами. Раньше она была такая: допустим есть интенты to_right
, to_left
--- их логично пометить одним тегом direction
, чтобы предсказывался всегда только один интент из них.
А ты видимо при добавлении нового интента указываешь интенты, с которыми этот интент не должен предсказываться. Я пока не знаю насколько это лучше, но если что завтра еще раз обсудим
@@ -8,7 +8,7 @@ | |||
def test_multiclass(multiclass_fit_data): | |||
predictor = ArgmaxPredictor() | |||
predictor.fit(*multiclass_fit_data) | |||
scores = np.array([[0.1, 0.9, 0, 0.1], [0.8, 0, 0.2, 0.5], [0, 0.3, 0.7, 0.1]]) | |||
scores = np.array([[0.1, 0.9, 0, 0.1], [0.8, 0, 0.1, 0.1], [0, 0.2, 0.7, 0.1]]) |
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
еще пропустил 0.1, 0.9, 0, 0.1
@@ -21,7 +21,7 @@ def detect_oos(scores: npt.NDArray[Any], labels: npt.NDArray[Any], thresh: float | |||
def test_predict_returns_correct_indices(multiclass_fit_data): | |||
predictor = JinoosPredictor() | |||
predictor.fit(*multiclass_fit_data) | |||
scores = np.array([[0.1, 0.9, 0, 0.1], [0.8, 0, 0.2, 0.5], [0, 0.3, 0.7, 0.1]]) | |||
scores = np.array([[0.1, 0.9, 0, 0.1], [0.8, 0, 0.1, 0.1], [0, 0.2, 0.7, 0.1]]) |
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
и тут
No description provided.