Дообученная на основе BERT модель для классификации текстов с валидационной точностью 0,74.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
SarvaniM/autotrain-trfqp-i9mjp — модель классификации текста, обученная с помощью AutoTrain на основе google-bert/bert-base-uncased. Она предназначена для присвоения текстам меток в задаче, на которой выполнялось обучение. Модель использует архитектуру BertForSequenceClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов.
В README приведены метрики на валидационной выборке: accuracy 0,74, а также macro F1 0,738. Эти результаты характеризуют только указанную выборку; область применения и набор классов в карточке не описаны. Базовая модель англоязычная, поэтому применение к другим языкам не подтверждено. В метаданных лицензия не приведена.
Набор классов и область применения не описаны; приведённые метрики относятся только к валидационной выборке. Англоязычная базовая модель не подтверждает поддержку других языков.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
loss: 0.6799479126930237
f1_macro: 0.7383777475199378
f1_micro: 0.74
f1_weighted: 0.7383777475199378
precision_macro: 0.7393617021276596
precision_micro: 0.74
precision_weighted: 0.7393617021276595
recall_macro: 0.7399999999999999
recall_micro: 0.74
recall_weighted: 0.74
accuracy: 0.74
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers · text-classification
Подбираем GPU…