Классификатор DistilBERT определяет положительную или отрицательную тональность англоязычных отзывов о фильмах.
187скачиваний за 30 дней0лайковвеса обновлены6 июл 2020
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 textattack/distilbert-base-uncased-imdb — классификатор текстовых последовательностей на архитектуре DistilBERT, дообученный TextAttack на датасете IMDb. Она предназначена для определения тональности отзывов о фильмах и различения положительных и отрицательных отзывов. Модель работает с текстом; максимальная длина последовательности в метаданных составляет 512 токенов, а при обучении использовалась длина до 128 токенов.
На проверочной выборке модель достигла точности 0,88; лучший результат был получен после двух эпох обучения. Это специализированная модель для классификации отзывов, поэтому её результаты на других темах или типах текстов могут быть хуже. Модель сохранена в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.
Сценарии применения
определение тональности отзыва о фильме
классификация отзыва как положительного или отрицательного
автоматическая сортировка отзывов по эмоциональной окраске
Ограничения
Модель обучена на отзывах о фильмах и может хуже работать на текстах из других областей. На проверочной выборке точность составила 0,88; при обучении длина последовательности ограничивалась 128 токенами.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
This distilbert-base-uncased model was fine-tuned for sequence classification using TextAttack
and the imdb dataset loaded using the nlp library. The model was fine-tuned
for 5 epochs with a batch size of 16, a learning
rate of 2e-05, and a maximum sequence length of 128.
Since this was a classification task, the model was trained with a cross-entropy loss function.
The best score the model achieved on this task was 0.88, as measured by the
eval set accuracy, found after 2 epochs.