/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
24 фев 2023

SDOHv7

Классификация текстаТекст → label3 профессии

Англоязычная модель на базе DeBERTa-v2 для классификации текстов по категориям социальных детерминант здоровья.

116скачиваний за 30 дней22лайкавеса обновлены27 апр 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ClinicalNLP/SDOHv7 — англоязычная модель классификации текста, обученная с помощью AutoTrain для определения категорий, связанных с социальными детерминантами здоровья (SDOH). Она предназначена для разметки текстовых фрагментов в медицинских и исследовательских сценариях. Модель построена на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов.

В README указаны высокие метрики на валидационной выборке: accuracy и macro F1 по 0,990. Эти результаты относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация медицинских текстов по социальным детерминантам здоровья
  • разметка упоминаний социальных факторов в клинических заметках
  • анализ текстов для исследований в области общественного здоровья

Ограничения

Указанные метрики получены на валидационной выборке и могут не переноситься на другие данные. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoTrain

  • Problem type: Multi-class Classification
  • Model ID: 3701198597
  • CO2 Emissions (in grams): 0.0113

Validation Metrics

  • Loss: 0.057
  • Accuracy: 0.990
  • Macro F1: 0.990
  • Micro F1: 0.990
  • Weighted F1: 0.990
  • Macro Precision: 0.990
  • Micro Precision: 0.990
  • Weighted Precision: 0.991
  • Macro Recall: 0.990
  • Micro Recall: 0.990
  • Weighted Recall: 0.990

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoTrain"}' https://api-inference.huggingface.co/models/reachosen/autotrain-sdohv7-3701198597

Or Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("reachosen/autotrain-sdohv7-3701198597", use_auth_token=True)

tokenizer = AutoTokenizer.from_pretrained("reachosen/autotrain-sdohv7-3701198597", use_auth_token=True)

inputs = tokenizer("The Patient is homeless", return_tensors="pt")

outputs = model(**inputs)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
a446dfb

0 моделей