/ Модель
Каталог

Характеристики

Лицензия
cc
Библиотека
bertopic
Опубликована
5 июн 2023

Ссылки

Hugging Face

128k-bert-fine-tuning-stock-analysis-cased

dogruermikail
Классификация текстаТекст → label

Дообученная BERT-модель для классификации финансовых текстов на турецком языке.

0скачиваний за 30 дней5лайковвеса обновлены13 июн 2023

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 разработана Mikail Doğruer и предназначена для классификации текстов на турецком языке в финансовой тематике. По названию карточки это дообученная версия BERT с заявленным контекстом 128k токенов; точная базовая модель и размер параметров не указаны.

В README приведены результаты оценки: accuracy около 0,948 и F1 около 0,948 после 12 эпох обучения. Эти метрики описывают только оценочный набор автора и не гарантируют такое же качество на других данных. Модель сохранена в формате PyTorch и распространяется по лицензии CC; конкретный вариант лицензии в метаданных не уточнён.

Сценарии применения

  • классификация турецких финансовых текстов
  • анализ тональности финансовых новостей на турецком языке
  • отнесение финансовых сообщений к заданным категориям

Ограничения

В README не описаны классы классификации и состав оценочного набора, поэтому приведённые метрики нельзя переносить на произвольные тексты. Базовая модель не указана, а обозначение лицензии CC не уточняет конкретные условия.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Description

  • Developed by: Mikail Doğruer
  • Model type: 128k Bert Model
  • Language(s) (NLP): Turkish

{'eval_loss': 0.25295722484588623, 'eval_accuracy': 0.9484536082474226, 'eval_precision': 0.9497797985940278, 'eval_recall': 0.9463618552943321, 'eval_f1': 0.9479608415152083, 'eval_runtime': 1.5618, 'eval_samples_per_second': 186.318, 'eval_steps_per_second': 1.921, 'epoch': 12.0}

Epoch Training Loss Validation Loss Accuracy Precision Recall F1

  • 1 0.297100 0.253670 0.945017 0.945524 0.942778 0.944051

  • 2 0.279300 0.253695 0.945017 0.945524 0.942778 0.944051

  • 3 0.278800 0.253687 0.945017 0.945524 0.942778 0.944051

  • 4 0.299700 0.253546 0.948454 0.949780 0.946362 0.947961

  • 5 0.293400 0.253468 0.948454 0.949780 0.946362 0.947961

  • 6 0.316400 0.253449 0.948454 0.949780 0.946362 0.947961

  • 7 0.285500 0.253279 0.948454 0.949780 0.946362 0.947961

  • 8 0.326200 0.253156 0.948454 0.949780 0.946362 0.947961

  • 9 0.297200 0.253054 0.948454 0.949780 0.946362 0.947961

  • 10 0.284200 0.252992 0.948454 0.949780 0.946362 0.947961

  • 11 0.289500 0.252961 0.948454 0.949780 0.946362 0.947961

  • 12 0.285400 0.252957 0.948454 0.949780 0.946362 0.947961

** TrainOutput(global_step=120, training_loss=0.29438418547312417, metrics={'train_runtime': 253.1978, 'train_samples_per_second': 55.072, 'train_steps_per_second': 0.474, 'total_flos': 716572948593600.0, 'train_loss': 0.29438418547312417, 'epoch': 12.0})

Как запустить

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

GPU в ailist

Универсальный рантайм · bertopic · text-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
d047af3

0 моделей

    Создать бенчмарк