Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 29 июл 2024

Ссылки

Hugging Face

financial-sentiment-model-2500-samples

kevinwlip

Классификация текстаТекст → label

Модель на базе DistilBERT классифицирует тональность финансовых текстов.

7скачиваний за 30 дней0лайковвеса обновлены29 июл 2024

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

kevinwlip/financial-sentiment-model-2500-samples — модель классификации текста на основе DistilBERT, дообученная автором на неизвестном наборе данных. Она предназначена для определения тональности финансовых текстов. В README приведены результаты оценки: accuracy и F1 равны 0,798, loss — 0,4959, MSE — 0,4, MAE — 0,268.

Модель принимает текст и выдаёт метку классификации. Базовая архитектура DistilBERT имеет контекст до 512 токенов. Данных о языках обучения и подробном составе классов в карточке нет. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

определение тональности финансовых новостей
классификация настроения в финансовых сообщениях
анализ тональности текстов об акциях и рынках

Ограничения

Набор данных неизвестен, а состав классов и предназначение модели в README подробно не описаны. На оценочной выборке accuracy и F1 составили 0,798; качество на других данных может отличаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

financial-sentiment-model-2500-samples

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

Loss: 0.4959
Accuracy: 0.798
F1: 0.798
Mse: 0.4
Mae: 0.268

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Framework versions

Transformers 4.43.3
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: b66552d