Model Trained Using AutoTrain
- Problem type: Text Classification
Validation Metrics
loss: 0.2505967617034912
f1: 0.9147659063625451
precision: 0.9465838509316771
recall: 0.8850174216027874
auc: 0.9576390131618192
accuracy: 0.9067629678266579
Дообученная англоязычная BERT-модель для классификации текста и определения тональности коротких предложений и отзывов.
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
dilarayavuz/generated-sst2-addsent-bert-ep1 — англоязычная модель классификации текста, созданная пользователем dilarayavuz с помощью AutoTrain на базе google-bert/bert-base-uncased. Это BERT для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов; веса доступны в формате safetensors.
Модель предназначена для классификации текстов, в частности для определения тональности отзывов и предложений в сценариях SST-2. В карточке приведены метрики на валидации: accuracy 0,907, F1 0,915, precision 0,947, recall 0,885 и AUC 0,958. Эти результаты относятся к указанной в обучении задаче и не гарантируют аналогичного качества на других данных. Лицензия в предоставленных сведениях не указана.
Показатели приведены только для валидации; качество на других наборах данных может отличаться. Контекст ограничен 512 токенами.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
loss: 0.2505967617034912
f1: 0.9147659063625451
precision: 0.9465838509316771
recall: 0.8850174216027874
auc: 0.9576390131618192
accuracy: 0.9067629678266579
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers · text-classification
Подбираем GPU…