aggregate_benchmark: statistical verdicts (CI / significance) on config deltas
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 38/100
Direzione di ricerca
Start by reading aggregate_benchmark.py and the referenced eval-metrics bug to understand the current record format and how variant and baseline results are aggregated. Compare suitable statistical methods, then define how confidence intervals, verdicts, and suggested run counts should be reported. Done means valid records produce the requested fields and only records with status == ok are included.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Describe your idea
Extend aggregate_benchmark.py so each metric delta comes with a confidence interval and a verdict: better, worse or noise.
Why is this needed?
The variant and baseline modes exist to answer "did this change help?". A mean delta with two stddevs leaves that judgement to the model or the user, and with the default --runs 1–3 most deltas are noise.
How should it work?
- Bootstrap 95% CI on the difference of means (stdlib only, seeded), or Mann–Whitney U when n ≥ 5 per side.
- Report
n,delta,ci_low,ci_high,verdict, and a suggestedrunsneeded to resolve noise at the observed variance. - Only
status == okrecords count (see the eval-metrics bug).
PR
Happy to help implement this if the direction is agreed.
- Lingua principale
- Python
- Stelle
- 220
- Fork
- 54
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di bmad-code-org/bmad-builder
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
bmad-code-org/bmad-builder#157 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
bmad-code-org/bmad-builder#153 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
bmad-code-org/bmad-builder#151 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 77/100
bmad-code-org/bmad-builder#127 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 65/100
bmad-code-org/bmad-builder#123 ·
Tutte le issue di bmad-code-org/bmad-builder
Issue simili
-
namespace
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 68/100
EclipseFdn/open-vsx.org#15604 ·
I maintainer di solito rispondono entro 1 giorno
-
app: scripts severity: low status: backlog type: bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
netbox-community/netbox-scripts#164 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 85/100
I maintainer di solito rispondono entro 5 giorni
-
Public function to read participants.tsvForse già presa @bruAristimunha l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 1-3 ore Idoneità per principianti 85/100
huggingface/tau#799 ·
I maintainer di solito rispondono entro 2 giorni