使用 Scikit-LLM 进行零样本和少样本分类

使用 Scikit-LLM 进行零样本和少样本分类

使用 Scikit-LLM 进行零样本和少样本分类

在本文中,您将学习:

  • Scikit-LLM如何将OpenAI的GPT等大型语言模型与Scikit-learn框架集成以进行文本分析。
  • 零样本和少样本分类之间的区别以及如何使用Scikit-LLM实现它们。
  • 一个指南,介绍如何配置 Scikit-LLM 并使用 OpenAI API 密钥,以及如何将其应用于一个示例文本分类任务。

介绍

Scikit-LLM 是一个旨在将大型语言模型(LLMs)如 OpenAI 的 GPT-3.5 和 GPT-4 与 Scikit-learn 机器学习框架集成的 Python 库。它提供了一个简单的接口,可以使用自然语言提示将 LLM 作为零样本或少样本分类器使用,使其非常适合下游文本分析任务,如分类、情感分析和主题标记。

本文重点介绍 Scikit-LLM的零样本和少样本分类能力,并展示了如何将其与Scikit-learn工作流程结合以完成这些任务。

在我们开始操作之前,让我们先弄清楚零样本分类和少样本分类之间的区别。

  1. 零样本分类: LLM类在没有来自数据集的任何先验标记示例的情况下对文本进行分类;它仅根据可能的类别标签进行提示。
  2. 少样本分类: 在提示中提供了一小组带标签的示例------通常是每个可能类别几组示例------以引导LLM的推理符合所请求的分类。

逐步过程

是时候尝试这两个使用案例了,主角是我们的文章中介绍的库:Scikit-LLM。我们首先安装它:

复制代码
!pip install scikit-llm

我们现在需要导入以下两个类:

复制代码
from skllm.config import SKLLMConfig
from skllm import ZeroShotGPTClassifier

由于使用OpenAI的模型需要一个API密钥,我们将需要进行配置。如果需要,请访问并注册 OpenAI平台 以创建一个新的API密钥。请注意,如果您没有付费计划,您在下面示例中使用模型的选项可能会有限制。

复制代码
SKLLMConfig.set_openai_key("API_KEY_GOES_HERE")

让我们考虑这个小型示例数据集,包含一些用户评论及其相关的感情标签:

复制代码
X = [
    "I love this product! It works great and exceeded my expectations.",
    "This is the worst service I have ever received.",
    "The movie was okay, not bad but not great either.",
    "Excellent customer support and very quick response.",
    "I am disappointed with the quality of this item."
]

y = [
    "positive",
    "negative",
    "neutral",
    "positive",
    "negative"
]

我们创建一个零样本分类器的实例如下:

复制代码
clf = ZeroShotGPTClassifier()

正如其名字所示,Scikit-LLM 强烈依赖于 Scikit-learn。因此,如果您对 Scikit-learn 生态系统有经验,那么训练和评估模型的过程将非常熟悉:

复制代码
clf.fit(X, y)
labels = clf.predict(X)

print(labels)

但是这里正是零样本分类真正发挥作用的地方:不需要训练数据。分类器可以仅使用可能的标签进行"拟合"。换句话说,可以做到类似这样的事情:

复制代码
clf_empty = ZeroShotGPTClassifier()
clf_empty.fit(None, ["positive", "negative", "neutral"])
labels = clf_empty.predict(X)

这仍然有效!这是真正的零样本分类的本质。

关于少样本分类 ,这个过程非常类似于我们提供训练数据的第一个零样本分类示例。事实上,fit()该方法是将少量标记示例传递给模型的正确方法。

复制代码
from skllm import FewShotGPTClassifier

clf = FewShotGPTClassifier()

# Fit uses few-shot examples to build part of the prompt
clf.fit(X, y)

test_samples = [
    "The new update is fantastic and really smooth.",
    "I'm not happy with the experience at all.",
    "Meh, it was neither exciting nor terrible."
]

predictions = clf.predict(test_samples)
print(predictions)

这听起来可能有些奇怪,但在少样本分类的特定使用案例中,fit()predict() 方法都是推理过程的一部分。fit() 提供了 prompt 的标记示例,而 predict() 提供了要分类的新文本。它们一起构成了发送到 LLM 的完整 prompt。

总结

本文展示了使用新发布的Scikit-llm 库的两种文本分类用例:零样本和少样本分类。使用类似于Scikit-learn的方法,这两种技术在利用示例数据进行推理的提示策略上略有不同。

零样本 分类不需要带标签的示例,并且仅依赖于加载的模型的普遍理解来分配标签。同时,少样本 分类将一小组带标签的示例纳入提示中,以更准确地引导模型的推理。

相关推荐
QianCenRealSim4 分钟前
“矿山”自动驾驶“路网”编辑功能实现
人工智能·自动驾驶·opendrive·矿山自动驾驶·矿山路网编辑·openscenario
SHIPKING39318 分钟前
【机器学习&深度学习】Embedding 与 RAG:让 AI 更“聪明”的秘密
人工智能·深度学习·机器学习
IT_陈寒34 分钟前
SpringBoot性能翻倍秘籍:从自动配置到JVM调优的7个实战技巧
前端·人工智能·后端
EEPI37 分钟前
自动驾驶感知范式迁移:从BEV/向量化到高斯建模
人工智能·机器学习·自动驾驶
c_hn_0071 小时前
可转换公司债Level-2高频交易五档Tick级分钟历史数据分析指南
数据挖掘·数据分析·#etf五档行情快照·#大宗商品期货行情·#港股十档订单薄历史数据·#深度订单簿数据
liliangcsdn1 小时前
法律审查prompt收集
人工智能·llm·prompt
数字时代全景窗1 小时前
从“互联网+”到“人工智能+”:云计算生态演进揭示AI应用破局之道
人工智能
星期天要睡觉2 小时前
(纯新手教学)计算机视觉(opencv)实战十——轮廓特征(轮廓面积、 轮廓周长、外接圆与外接矩形)
人工智能·opencv·计算机视觉
IAM四十二2 小时前
LLM多模态嵌入 - 图片嵌入
人工智能·llm·openai
用户5191495848452 小时前
使用Prodfiler优化eBPF编译器性能:零代码修改实现近2倍提升
人工智能·aigc