Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 29 июн 2022

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-health_facts

austinmw

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель классифицирует тексты о здоровье по разметке набора health_fact.

16скачиваний за 30 дней0лайковвеса обновлены29 июн 2022

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

Модель austinmw/distilbert-base-uncased-finetuned-health_facts — дообученная версия DistilBERT для классификации текстов о здоровье. Она обучена на наборе данных health_fact и предназначена для отнесения медицинских утверждений к классам, представленным в обучающей разметке. Архитектура — DistilBertForSequenceClassification; модель принимает текст, работает с контекстом до 512 токенов и распространяется в формате PyTorch.

На оценочном наборе указаны accuracy 0,6285 и F1 0,6545. Лицензия — Apache-2.0. Карточка не описывает состав классов и условия обучения подробнее, поэтому результаты не подтверждают пригодность модели для медицинских решений; её следует применять для классификации текстов, а не для постановки диагноза или рекомендаций.

Сценарии применения

классификация медицинских утверждений по категориям health_fact
автоматическая сортировка текстов о здоровье
предварительная разметка медицинских высказываний для проверки человеком

Ограничения

На оценочном наборе указаны accuracy 0,6285 и F1 0,6545; состав классов и подробности оценки в карточке не раскрыты. Не следует использовать модель как источник диагноза или медицинских рекомендаций.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-health_facts

This model is a fine-tuned version of distilbert-base-uncased on the health_fact dataset. It achieves the following results on the evaluation set:

Loss: 1.1227
Accuracy: 0.6285
F1: 0.6545

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: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
1.1367	1.0	154	0.9423	0.5560	0.6060
0.9444	2.0	308	0.9267	0.5733	0.6170
0.8248	3.0	462	0.9483	0.5832	0.6256
0.7213	4.0	616	1.0119	0.5815	0.6219
0.608	5.0	770	1.1227	0.6285	0.6545

Framework versions

Transformers 4.11.3
Pytorch 1.10.0
Datasets 1.16.1
Tokenizers 0.10.3

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: DistilBertForSequenceClassification
Ревизия весов: aba6544