Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 23 мая 2022

Ссылки

Hugging Face

finetuning-sentiment-analysis-en-id

viviastaari

Классификация текстаТекст → label4 профессии

Дообученная модель DistilBERT для классификации тональности текста на английском и индонезийском языках.

14скачиваний за 30 дней1лайквеса обновлены23 мая 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

Модель viviastaari/finetuning-sentiment-analysis-en-id — дообученная версия distilbert-base-multilingual-cased для классификации тональности текста. Она принимает текст и предсказывает его класс; в названии модели заявлена работа с английским и индонезийским языками. Архитектура — DistilBERT для классификации последовательностей, формат весов — PyTorch, максимальный контекст — 512 токенов.

В README приведены результаты оценки: accuracy 0,9527, F1 0,9646, precision 0,9641 и recall 0,9652. Описание данных, разметки классов и предполагаемых сценариев применения не раскрыто, поэтому метрики нельзя уверенно переносить на произвольные тексты. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

определение тональности англоязычных отзывов
анализ тональности отзывов на индонезийском языке
классификация эмоциональной окраски коротких текстов

Ограничения

В README не указаны набор данных, состав классов и подробности оценки, поэтому качество на иных типах текстов не подтверждено. Контекст ограничен 512 токенами.

Для каких профессий подходит4

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 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuning-sentiment-analysis-en-id

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

Loss: 0.1654
Accuracy: 0.9527
F1: 0.9646
Precision: 0.9641
Recall: 0.9652

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: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
0.4566	1.0	1602	0.3666	0.8473	0.8909	0.8530	0.9323
0.3458	2.0	3204	0.2193	0.9238	0.9432	0.9410	0.9454
0.2362	3.0	4806	0.1654	0.9527	0.9646	0.9641	0.9652

Framework versions

Transformers 4.19.2
Pytorch 1.11.0+cu113
Datasets 2.2.2
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: 7f2e672