Saltar al contenido principal

Documentation Index

Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt

Use this file to discover all available pages before exploring further.

​
Métricas de Evaluación

No puedes mejorar lo que no mides. Aquí está cómo decir si tu modelo está realmente funcionando.

​
Métricas de Clasificación

​
Accuracy

La métrica más simple - ¿qué porcentaje acertaste? 
Accuracy = Predicciones Correctas / Total de Predicciones
Ejemplo: 90/100 correctas = 90% de accuracy Problema: Engañoso con datos desbalanceados. Si el 95% de los emails no son spam, un modelo que siempre dice “no spam” obtiene 95% de accuracy.

​
Precision & Recall

Precision: De las que predijiste como positivas, ¿cuántas eran realmente positivas? Recall: De todas las positivas reales, ¿cuántas encontraste? Ejemplo para detección de spam:
  • Precision: De los emails marcados como spam, ¿cuántos eran realmente spam?
  • Recall: De todos los emails spam, ¿cuántos atrapaste?

​
F1 Score

Combina precision y recall en un número. 
F1 = 2 × (Precision × Recall) / (Precision + Recall)
Usa cuando te importan igualmente los falsos positivos y falsos negativos.

​
Métricas de Generación

​
Perplexity

Qué tan sorprendido está el modelo por los datos de prueba. Menor es mejor.
  • Modelo bueno: Perplexity = 10-50
  • Modelo malo: Perplexity = 100+

​
BLEU Score

Compara texto generado con texto de referencia. Usado para traducción, resumen.
  • BLEU = 0: Sin superposición
  • BLEU = 1: Coincidencia perfecta
  • BLEU > 0.3: Generalmente decente

​
Evaluación Humana

A veces la mejor métrica es preguntar a humanos:
  • ¿Esta respuesta es útil?
  • ¿Este resumen captura los puntos principales?
  • ¿Esta traducción es natural?

​
Curvas de Loss

​
Training Loss vs Validation Loss

Observa ambos durante el entrenamiento: Patrón bueno:
  • Ambos disminuyen
  • Permanecen cerca
  • Se estabilizan eventualmente
Overfitting:
  • Training loss sigue cayendo
  • Validation loss aumenta
  • Brecha se amplía
Underfitting:
  • Ambos permanecen altos
  • Poca mejora
  • Necesita más capacidad o datos

​
Métricas Específicas por Tarea

​
Image Classification

  • Top-1 Accuracy: La clase correcta es la predicción principal
  • Top-5 Accuracy: La clase correcta en las top 5 predicciones
  • Confusion Matrix: Ve qué clases se confunden

​
Object Detection

  • mAP (mean Average Precision): Calidad general de detección
  • IoU (Intersection over Union): Qué tan bien se superponen las cajas

​
NER/Token Classification

  • F1 a nivel de entidad: Entidades completas correctas
  • Accuracy a nivel de token: Tokens individuales correctos

​
Referencia Rápida

TareaMétrica PrincipalBuena Puntuación
Clasificación BinariaF1 Score> 0.8
Clasificación Multi-claseAccuracy> 0.9
GeneraciónPerplexity< 50
TraducciónBLEU> 0.3
ResumenROUGE> 0.4
Q&AExact Match> 0.7

​
Evaluación Mejorada en AITraining

AITraining soporta evaluación mejorada con múltiples métricas integradas y personalizadas.

​
Habilitar Evaluación Mejorada

aitraining llm --train \
  --model google/gemma-3-270m \
  --data-path ./data.jsonl \
  --project-name my-model \
  --use-enhanced-eval \
  --eval-metrics "perplexity,bleu"

​
Métricas Disponibles

MétricaDescripción
perplexityIncertidumbre del modelo (menor es mejor)
bleuSuperposición N-gram con referencia
rougeEvaluación orientada a recall para resumen
accuracyAccuracy de clasificación
f1F1 score para clasificación

​
API Python

from autotrain.trainers.clm.params import LLMTrainingParams

params = LLMTrainingParams(
    model="google/gemma-3-270m",
    data_path="./data.jsonl",
    project_name="my-model",

    use_enhanced_eval=True,
    eval_metrics=["perplexity", "bleu"],
)

​
Métricas Personalizadas

Registra métricas personalizadas para evaluación especializada: 
from autotrain.metrics import register_metric

@register_metric("my_custom_metric")
def compute_custom_metric(predictions, references):
    # Tu lógica de puntuación personalizada
    score = ...
    return {"my_custom_metric": score}

# Luego úsalo en el entrenamiento
params = LLMTrainingParams(
    ...
    use_enhanced_eval=True,
    eval_metrics=["perplexity", "my_custom_metric"],
)

​
Consejos Prácticos

  1. Siempre usa conjunto de validación - Nunca evalúes en datos de entrenamiento
  2. Considera la tarea - Accuracy no siempre es mejor
  3. Observa tendencias - Mejorar es más importante que números absolutos
  4. Múltiples métricas - Ninguna métrica única cuenta toda la historia

​
Señales de Alerta

  • Accuracy de entrenamiento 100%, validación 60% → Overfitting
  • Todas las métricas atascadas → Learning rate podría estar mal
  • Métricas saltando alrededor → Batch size demasiado pequeño
  • Puntuaciones perfectas inmediatamente → Fuga de datos o bug

​
Próximos Pasos

Fine-tuning vs Entrenamiento Completo

Elige tu enfoque

Hyperparámetros

Optimiza tus configuraciones