Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 18 июн 2022

Ссылки

Hugging Face

finetuning-sentiment-model-3000-samples

sgraf202

Классификация текстаТекст → label3 профессии

Дообученная на 3000 примерах модель DistilBERT для классификации текста по тональности.

38скачиваний за 30 дней0лайковвеса обновлены2 авг 2022

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

finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная разработчиком sgraf202 на наборе из 3000 примеров. Она предназначена для определения тональности текста. В README приведены результаты оценки: accuracy 0,4688 и F1 0,5526; описание обучающих данных и меток отсутствует.

Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Низкие показатели оценки указывают, что качество классификации может быть ограниченным; назначение классов и подробности оценки не описаны.

Сценарии применения

определение тональности коротких текстов
классификация отзывов как позитивных или негативных, если эти классы предусмотрены моделью
автоматическая сортировка пользовательских комментариев по тональности

Ограничения

На оценочном наборе модель показала accuracy 0,4688 и F1 0,5526, поэтому её предсказания могут быть ненадёжными. Состав классов, датасет и область применимости не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuning-sentiment-model-3000-samples

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.7404
Accuracy: 0.4688
F1: 0.5526

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: 1

Training results

Framework versions

Transformers 4.20.1
Pytorch 1.11.0+cu113
Datasets 2.3.2
Tokenizers 0.12.1

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: 480de93