Дообученная DistilBERT классифицирует текстовые сообщения как спам или не спам.
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
dima806/email-spam-detection-distilbert — дообученная модель DistilBERT для классификации текста на категории «спам» и «не спам». Она предназначена для фильтрации электронных писем и других текстовых сообщений. Модель построена на DistilBertForSequenceClassification и принимает текст длиной до 512 токенов.
В карточке приведён отчёт на тестовой выборке из 16 690 примеров: точность составила 99,2%, а F1-score для классов «спам» и «не спам» — около 99,2%. Эти результаты относятся к указанной выборке и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.
В README не указаны язык обучающих данных и набор данных; приведённые метрики могут не переноситься на другие источники и типы сообщений. Максимальная длина входа — 512 токенов.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
See https://www.kaggle.com/code/dima806/email-spam-classification-distilbert for details.
Classification report:
precision recall f1-score support
No spam 0.9933 0.9898 0.9915 7908
Spam 0.9908 0.9940 0.9924 8782
accuracy 0.9920 16690
macro avg 0.9920 0.9919 0.9919 16690
weighted avg 0.9920 0.9920 0.9920 16690
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…