/ Модель

Характеристики

Контекст
512 токенов
Параметры
155 млн
Лицензия
MIT
Архитектура
electra · dense
Опубликована
17 янв 2023

korean_sentiment_analysis_kcelectra

Классификация текстаТекст → label3 профессии

Дообученная корейская ELECTRA-модель для классификации текстов и анализа тональности.

3 699скачиваний за 30 дней11лайковвеса обновлены18 янв 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 nlp04/korean_sentiment_analysis_kcelectra — дообученная версия beomi/KcELECTRA-base-v2022 для классификации текстов на корейском языке. Она использует архитектуру ELECTRA с головой классификации последовательностей, содержит 155 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для определения тональности корейских текстов, например отзывов и сообщений в соцсетях.

На оценочном наборе указаны accuracy 0,7072, micro-F1 70,7183 и AUPRC 68,4562. Сведения о наборе данных, категориях классификации и конкретных ограничениях не приведены. Лицензия — MIT.

Сценарии применения

  • Определение тональности корейских отзывов
  • Анализ эмоциональной окраски публикаций в соцсетях на корейском языке
  • Классификация корейских текстовых сообщений

Ограничения

Метрики оценки умеренные: accuracy около 0,71 и micro-F1 около 70,7; набор данных и перечень меток не описаны. Максимальная длина контекста — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

korean_sentiment_analysis_kcelectra

This model is a fine-tuned version of beomi/KcELECTRA-base-v2022 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.9718
  • Micro f1 score: 70.7183
  • Auprc: 68.4562
  • Accuracy: 0.7072

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: 32
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 256
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 10.0

Training results

Training LossEpochStepValidation LossMicro f1 scoreAuprcAccuracy
1.05431.03910.992365.306149.69060.6531
0.85732.07820.822969.990164.40710.6999
0.72173.011730.796171.060067.46400.7106
0.63054.015640.816371.122968.51910.7112
0.52945.019550.820571.015068.73340.7102
0.46896.023460.871671.167968.77510.7117
0.4337.027370.908670.988068.36530.7099
0.4198.031280.929070.673468.46060.7067
0.37669.035190.961970.646468.51320.7065
0.339510.039100.971870.718368.45620.7072

Framework versions

  • Transformers 4.25.1
  • Pytorch 1.6.0
  • Datasets 2.7.1
  • Tokenizers 0.13.2

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
ElectraForSequenceClassification
Ревизия весов
bee5fad

0 моделей