/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Архитектура
camembert · dense
Базовая модель
feel-it-italian-emotion
Опубликована
2 апр 2024

feel_it_finetuned_pro_emit_multilabel2

Классификация текстаТекст → label

Дообученный классификатор CamemBERT для многометочной разметки эмоций в итальянских текстах.

12скачиваний за 30 дней0лайковвеса обновлены2 апр 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

Модель Lupobricco — дообученная версия MilaNLProc/feel-it-italian-emotion на наборе данных, обозначенном в карточке как None. Это классификатор текста на архитектуре CamemBERT с 137,8 млн параметров, предназначенный для многометочной классификации эмоций в итальянских текстах. Максимальная длина контекста — 514 токенов.

В карточке приведены результаты оценки: F1 — 0,4953, ROC AUC — 0,6999, точность — 0,3239; они указывают на ограниченное качество и требуют осторожной проверки на данных конкретного применения. Модель может использоваться для автоматической разметки эмоциональной окраски итальянских сообщений. Лицензия в доступных данных не указана.

Сценарии применения

  • Определение эмоций в итальянских сообщениях
  • Разметка отзывов по эмоциональным категориям
  • Анализ эмоциональной окраски постов на итальянском языке

Ограничения

Метрики на оценочном наборе невысоки: F1 составляет 0,4953, а точность — 0,3239. Сведения о составе данных, перечне меток и лицензии в доступных материалах отсутствуют.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

feel_it_finetuned_pro_emit_multilabel2

This model is a fine-tuned version of MilaNLProc/feel-it-italian-emotion on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2731
  • F1: 0.4953
  • Roc Auc: 0.6999
  • Accuracy: 0.3239

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

Training LossEpochStepValidation LossF1Roc AucAccuracy
No log1.04440.31720.26750.57820.1527
0.36142.08880.28560.41720.64630.2794
0.28373.013320.27600.47270.67930.3076
0.24084.017760.27320.49400.69530.3301
0.2175.022200.27310.49530.69990.3239

Framework versions

  • Transformers 4.38.2
  • Pytorch 2.0.0+cu118
  • Datasets 2.18.0
  • Tokenizers 0.15.2

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
CamembertForSequenceClassification
Ревизия весов
604fbc6

0 моделей