Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 17 янв 2023

Ссылки

Hugging Face

spam-classifier

skandavivek2

Классификация текстаТекст → label3 профессии

Дообученная модель DistilBERT для классификации текстовых сообщений и выявления спама.

21скачиваний за 30 дней3лайкавеса обновлены17 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

Это модель классификации текста skandavivek2/spam-classifier, созданная дообучением distilbert-base-uncased. Она предназначена для определения спама в текстовых сообщениях. В метаданных указаны архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов; модель относится к семейству DistilBERT.

В README сообщается о точности 0,9885 и значении loss 0,0614 на оценочном наборе, однако набор данных и подробности оценки не описаны. Модель распространяется по лицензии Apache-2.0. Ее результаты могут зависеть от соответствия входных сообщений данным обучения.

Сценарии применения

Фильтрация спама в текстовых сообщениях
Автоматическая предварительная проверка входящих сообщений
Классификация сообщений как спамных или обычных

Ограничения

Данные обучения не описаны, а приведённые метрики не сопровождаются сведениями о составе оценочного набора; качество на других типах сообщений не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей 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

spam-classifier

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: 0.0614
Accuracy: 0.9885

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 Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	262	0.0968	0.9799
0.0573	2.0	524	0.0693	0.9856
0.0573	3.0	786	0.0599	0.9871
0.0111	4.0	1048	0.0551	0.9885
0.0111	5.0	1310	0.0614	0.9885

Framework versions

Transformers 4.25.1
Pytorch 1.13.0+cu116
Datasets 2.8.0
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: DistilBertForSequenceClassification
Ревизия весов: 2c8748a