Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 2 окт 2024

Ссылки

Hugging Face

Depression_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa модель для бинарной классификации текста с целью выявления признаков депрессии.

21скачиваний за 30 дней0лайковвеса обновлены2 сен 2026

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

Depression_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста, опубликованная пользователем ajrayman. Она предназначена для бинарной классификации текстов, связанных с выявлением депрессии. Модель построена на архитектуре DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов.

В карточке приведены результаты оценки: accuracy 0,7335, precision 0,7480, recall 0,7032, F1 0,7249 и AUC 0,8024. Датасет и подробности обучения не описаны, поэтому эти показатели не позволяют судить о качестве на иных выборках или клинической пригодности. Модель распространяется по лицензии MIT.

Сценарии применения

классификация текста на связанный и не связанный с депрессией
анализ пользовательских сообщений на признаки депрессии
оценка текстовых данных для исследовательских экспериментов

Ограничения

Датасет и подробности обучения не описаны; приведённые метрики не гарантируют качество на других данных. Модель не следует считать клиническим диагностическим инструментом.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Depression_binary

This model is a fine-tuned version of microsoft/deberta-v3-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.6424
Accuracy: 0.7335
Precision: 0.7480
Recall: 0.7032
F1: 0.7249
Auc: 0.8024

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 1234
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.06
num_epochs: 8

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1	Auc
No log	1.0	118	0.5798	0.7210	0.7133	0.7382	0.7255	0.7697
No log	2.0	236	0.5748	0.7285	0.7607	0.6658	0.7101	0.7955
No log	3.0	354	0.6424	0.7335	0.7480	0.7032	0.7249	0.8024

Framework versions

Transformers 4.44.1
Pytorch 1.11.0
Datasets 2.12.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaV2ForSequenceClassification
Ревизия весов: 8608a50