File size: 3,074 Bytes
88aba71 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 |
import math
# TODO 未使用
def adjust_score_tiered(
initial_score: int, probabilities: list[float], thresholds: list[float], downgrade_levels: list[int]
) -> int:
"""
根据大模型给出评分时的概率，对原始评分进行分级置信度调整。
Args:
initial_score: 大模型给出的原始评分 (整数 1 到 5)。
probabilities: 包含 5 个评分 (1 到 5) 概率的列表。
例如 [P(1), P(2), P(3), P(4), P(5)]。
thresholds: 一个降序排列的概率阈值列表，定义置信度区间边界。
例如 [0.6, 0.3]。
downgrade_levels: 与 thresholds 对应的降级幅度列表，长度比 thresholds 多 1。
定义了每个置信度区间的降级数。例如 [0, 1, 2]。
Returns:
经过置信度调整后的最终评分 (整数 1 到 5)。
Raises:
ValueError: 如果输入参数不合法（例如概率列表长度不对，阈值未降序等）。
"""
# --- 输入校验 ---
if not (1 <= initial_score <= 5):
raise ValueError("initial_score 必须在 1 到 5 之间。")
if len(probabilities) != 5:
raise ValueError("probabilities 列表必须包含 5 个元素。")
# 检查概率和是否接近 1 (允许小的浮点误差)
if not math.isclose(sum(probabilities), 1.0, abs_tol=1e-6):
print(f"警告: 概率之和 {sum(probabilities)} 不接近 1.0。请检查概率来源。") # 打印警告而非直接报错
# raise ValueError("probabilities 中元素的和必须接近 1.0。")
if len(downgrade_levels) != len(thresholds) + 1:
raise ValueError("downgrade_levels 的长度必须比 thresholds 的长度多 1。")
if any(thresholds[i] < thresholds[i + 1] for i in range(len(thresholds) - 1)):
raise ValueError("thresholds 列表必须是降序排列的。")
if any(level < 0 for level in downgrade_levels):
raise ValueError("downgrade_levels 中的降级幅度不能为负数。")
# --- 算法核心 ---
# 1. 获取选中分数的概率
# 列表索引从0开始，所以评分 s 对应的索引是 s-1
try:
p_chosen = probabilities[initial_score - 1]
except IndexError:
# 这个错误理论上不应发生，因为 initial_score 已校验在 1-5 之间
raise ValueError(f"无法从 probabilities 列表获取索引 {initial_score - 1} 的值。")
# 2. 确定降级幅度
downgrade = downgrade_levels[-1] # 默认为最低置信度区间的降级幅度
# 遍历阈值列表 (从高到低)
for i in range(len(thresholds)):
if p_chosen >= thresholds[i]:
downgrade = downgrade_levels[i] # 找到对应的置信度区间
break # 停止遍历
# 3. 计算调整后的评分
preliminary_score = initial_score - downgrade
adjusted_score = max(1, preliminary_score) # 确保分数不低于 1
# 4. 返回结果
return adjusted_score
|