You can deploy this model and start earning money today!

Kudod/
roberta-large-finetuned-ner-ghtk-cs-3090-26July-2

Name: roberta-large-finetuned-ner-ghtk-cs-3090-26July-2
Availability: InStock

safetensors

xlm-roberta

generated_from_trainer

FacebookAI/xlm-roberta-large

finetune

mit

Views

No views yet

roberta-large-finetuned-ner-ghtk-cs-3090-26July-2

This model is a fine-tuned version of FacebookAI/xlm-roberta-large on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.4101
cmt: {'precision': 0.8461538461538461, 'recall': 0.7857142857142857, 'f1': 0.8148148148148148, 'number': 14}
Tk: {'precision': 0.6727272727272727, 'recall': 0.6379310344827587, 'f1': 0.6548672566371682, 'number': 116}
A: {'precision': 0.9590361445783132, 'recall': 0.9521531100478469, 'f1': 0.9555822328931572, 'number': 418}
Gày: {'precision': 0.6666666666666666, 'recall': 0.8484848484848485, 'f1': 0.7466666666666666, 'number': 33}
Gày trừu tượng: {'precision': 0.9116379310344828, 'recall': 0.9057815845824411, 'f1': 0.9087003222341566, 'number': 467}
Gân hàng: {'precision': 0.8108108108108109, 'recall': 0.8571428571428571, 'f1': 0.8333333333333334, 'number': 35}
Hương thức thanh toán: {'precision': 0.9629629629629629, 'recall': 0.8666666666666667, 'f1': 0.912280701754386, 'number': 30}
Hối lượng: {'precision': 0.5714285714285714, 'recall': 0.3333333333333333, 'f1': 0.4210526315789474, 'number': 12}
Iền: {'precision': 0.75, 'recall': 0.8461538461538461, 'f1': 0.7951807228915662, 'number': 39}
Iờ: {'precision': 0.7368421052631579, 'recall': 0.7368421052631579, 'f1': 0.7368421052631579, 'number': 38}
Mail: {'precision': 0.9438943894389439, 'recall': 0.9727891156462585, 'f1': 0.9581239530988274, 'number': 294}
Ã đơn: {'precision': 0.8106796116504854, 'recall': 0.8391959798994975, 'f1': 0.8246913580246913, 'number': 199}
Ên người: {'precision': 0.6153846153846154, 'recall': 0.5333333333333333, 'f1': 0.5714285714285715, 'number': 30}
Đt: {'precision': 0.8824742268041237, 'recall': 0.9749430523917996, 'f1': 0.9264069264069265, 'number': 878}
Đt trừu tượng: {'precision': 0.8281938325991189, 'recall': 0.8785046728971962, 'f1': 0.8526077097505669, 'number': 214}
Ơn vị đo: {'precision': 0.631578947368421, 'recall': 0.8571428571428571, 'f1': 0.7272727272727273, 'number': 28}
Ản phẩm cụ thể: {'precision': 0.7802197802197802, 'recall': 0.5634920634920635, 'f1': 0.6543778801843317, 'number': 126}
Ản phẩm trừu tượng: {'precision': 0.6923076923076923, 'recall': 0.6585365853658537, 'f1': 0.675, 'number': 41}
Ịa chỉ cụ thể: {'precision': 0.46551724137931033, 'recall': 0.36, 'f1': 0.40601503759398494, 'number': 75}
Ịa chỉ trừu tượng: {'precision': 0.7619047619047619, 'recall': 0.64, 'f1': 0.6956521739130435, 'number': 75}
Overall Precision: 0.8592
Overall Recall: 0.8744
Overall F1: 0.8668
Overall Accuracy: 0.9433

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: 4
eval_batch_size: 4
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	cmt	Tk	A	Gày	Gày trừu tượng	Gân hàng	Hương thức thanh toán	Hối lượng	Iền	Iờ	Mail	Ã đơn	Ên người	Đt	Đt trừu tượng	Ơn vị đo	Ản phẩm cụ thể	Ản phẩm trừu tượng	Ịa chỉ cụ thể	Ịa chỉ trừu tượng	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.2958	1.0	1470	0.3092	{'precision': 0.625, 'recall': 0.35714285714285715, 'f1': 0.45454545454545453, 'number': 14}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.9562043795620438, 'recall': 0.9401913875598086, 'f1': 0.9481302774427021, 'number': 418}	{'precision': 0.4642857142857143, 'recall': 0.7878787878787878, 'f1': 0.5842696629213484, 'number': 33}	{'precision': 0.853763440860215, 'recall': 0.8501070663811563, 'f1': 0.851931330472103, 'number': 467}	{'precision': 0.5, 'recall': 0.08571428571428572, 'f1': 0.14634146341463414, 'number': 35}	{'precision': 0.84, 'recall': 0.7, 'f1': 0.7636363636363636, 'number': 30}	{'precision': 0.34615384615384615, 'recall': 0.75, 'f1': 0.4736842105263157, 'number': 12}	{'precision': 0.6440677966101694, 'recall': 0.9743589743589743, 'f1': 0.7755102040816326, 'number': 39}	{'precision': 0.5441176470588235, 'recall': 0.9736842105263158, 'f1': 0.6981132075471699, 'number': 38}	{'precision': 0.8802395209580839, 'recall': 1.0, 'f1': 0.9363057324840766, 'number': 294}	{'precision': 0.7647058823529411, 'recall': 0.7839195979899497, 'f1': 0.7741935483870969, 'number': 199}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 30}	{'precision': 0.775692582663092, 'recall': 0.9886104783599089, 'f1': 0.869303955933901, 'number': 878}	{'precision': 0.867816091954023, 'recall': 0.705607476635514, 'f1': 0.7783505154639175, 'number': 214}	{'precision': 0.6875, 'recall': 0.39285714285714285, 'f1': 0.5, 'number': 28}	{'precision': 0.7878787878787878, 'recall': 0.4126984126984127, 'f1': 0.5416666666666666, 'number': 126}	{'precision': 0.5555555555555556, 'recall': 0.6097560975609756, 'f1': 0.5813953488372093, 'number': 41}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 75}	{'precision': 0.9130434782608695, 'recall': 0.56, 'f1': 0.6942148760330579, 'number': 75}	0.8069	0.7995	0.8032	0.9086
0.1809	2.0	2940	0.2578	{'precision': 0.48148148148148145, 'recall': 0.9285714285714286, 'f1': 0.6341463414634146, 'number': 14}	{'precision': 0.6785714285714286, 'recall': 0.16379310344827586, 'f1': 0.2638888888888889, 'number': 116}	{'precision': 0.9347319347319347, 'recall': 0.9593301435406698, 'f1': 0.946871310507674, 'number': 418}	{'precision': 0.7777777777777778, 'recall': 0.21212121212121213, 'f1': 0.3333333333333333, 'number': 33}	{'precision': 0.9339853300733496, 'recall': 0.8179871520342612, 'f1': 0.8721461187214612, 'number': 467}	{'precision': 0.8125, 'recall': 0.7428571428571429, 'f1': 0.7761194029850748, 'number': 35}	{'precision': 0.8518518518518519, 'recall': 0.7666666666666667, 'f1': 0.8070175438596491, 'number': 30}	{'precision': 0.4, 'recall': 0.5, 'f1': 0.4444444444444445, 'number': 12}	{'precision': 0.6363636363636364, 'recall': 0.717948717948718, 'f1': 0.674698795180723, 'number': 39}	{'precision': 0.6, 'recall': 0.9473684210526315, 'f1': 0.7346938775510204, 'number': 38}	{'precision': 0.9864864864864865, 'recall': 0.7448979591836735, 'f1': 0.8488372093023255, 'number': 294}	{'precision': 0.5585585585585585, 'recall': 0.9346733668341709, 'f1': 0.6992481203007519, 'number': 199}	{'precision': 0.5652173913043478, 'recall': 0.43333333333333335, 'f1': 0.49056603773584906, 'number': 30}	{'precision': 0.8054256314312441, 'recall': 0.9806378132118451, 'f1': 0.884437596302003, 'number': 878}	{'precision': 0.7205882352941176, 'recall': 0.9158878504672897, 'f1': 0.8065843621399177, 'number': 214}	{'precision': 0.7037037037037037, 'recall': 0.6785714285714286, 'f1': 0.6909090909090909, 'number': 28}	{'precision': 0.8043478260869565, 'recall': 0.5873015873015873, 'f1': 0.6788990825688073, 'number': 126}	{'precision': 0.7777777777777778, 'recall': 0.5121951219512195, 'f1': 0.6176470588235294, 'number': 41}	{'precision': 0.31343283582089554, 'recall': 0.28, 'f1': 0.295774647887324, 'number': 75}	{'precision': 0.8653846153846154, 'recall': 0.6, 'f1': 0.7086614173228346, 'number': 75}	0.7953	0.8210	0.8080	0.9126
0.1467	3.0	4410	0.2901	{'precision': 0.6363636363636364, 'recall': 0.5, 'f1': 0.56, 'number': 14}	{'precision': 0.5876288659793815, 'recall': 0.49137931034482757, 'f1': 0.5352112676056339, 'number': 116}	{'precision': 0.9350348027842227, 'recall': 0.9641148325358851, 'f1': 0.9493521790341577, 'number': 418}	{'precision': 0.7575757575757576, 'recall': 0.7575757575757576, 'f1': 0.7575757575757576, 'number': 33}	{'precision': 0.8553971486761711, 'recall': 0.8993576017130621, 'f1': 0.8768267223382047, 'number': 467}	{'precision': 0.8275862068965517, 'recall': 0.6857142857142857, 'f1': 0.75, 'number': 35}	{'precision': 0.96, 'recall': 0.8, 'f1': 0.8727272727272728, 'number': 30}	{'precision': 0.8333333333333334, 'recall': 0.4166666666666667, 'f1': 0.5555555555555556, 'number': 12}	{'precision': 0.7368421052631579, 'recall': 0.358974358974359, 'f1': 0.4827586206896552, 'number': 39}	{'precision': 0.8260869565217391, 'recall': 0.5, 'f1': 0.6229508196721311, 'number': 38}	{'precision': 0.8978328173374613, 'recall': 0.9863945578231292, 'f1': 0.9400324149108589, 'number': 294}	{'precision': 0.8359788359788359, 'recall': 0.7939698492462312, 'f1': 0.8144329896907215, 'number': 199}	{'precision': 0.2857142857142857, 'recall': 0.2, 'f1': 0.23529411764705882, 'number': 30}	{'precision': 0.8422590068159689, 'recall': 0.9851936218678815, 'f1': 0.9081364829396326, 'number': 878}	{'precision': 0.8522167487684729, 'recall': 0.8084112149532711, 'f1': 0.829736211031175, 'number': 214}	{'precision': 0.6470588235294118, 'recall': 0.39285714285714285, 'f1': 0.4888888888888888, 'number': 28}	{'precision': 0.8082191780821918, 'recall': 0.46825396825396826, 'f1': 0.592964824120603, 'number': 126}	{'precision': 0.8095238095238095, 'recall': 0.4146341463414634, 'f1': 0.5483870967741935, 'number': 41}	{'precision': 0.3448275862068966, 'recall': 0.13333333333333333, 'f1': 0.19230769230769232, 'number': 75}	{'precision': 0.8627450980392157, 'recall': 0.5866666666666667, 'f1': 0.6984126984126984, 'number': 75}	0.8435	0.8321	0.8378	0.9258
0.107	4.0	5880	0.2923	{'precision': 0.42857142857142855, 'recall': 0.21428571428571427, 'f1': 0.2857142857142857, 'number': 14}	{'precision': 0.3333333333333333, 'recall': 0.034482758620689655, 'f1': 0.0625, 'number': 116}	{'precision': 0.9564164648910412, 'recall': 0.9449760765550239, 'f1': 0.950661853188929, 'number': 418}	{'precision': 0.7027027027027027, 'recall': 0.7878787878787878, 'f1': 0.7428571428571429, 'number': 33}	{'precision': 0.8934782608695652, 'recall': 0.880085653104925, 'f1': 0.8867313915857605, 'number': 467}	{'precision': 0.8709677419354839, 'recall': 0.7714285714285715, 'f1': 0.8181818181818182, 'number': 35}	{'precision': 0.8214285714285714, 'recall': 0.7666666666666667, 'f1': 0.793103448275862, 'number': 30}	{'precision': 0.8333333333333334, 'recall': 0.4166666666666667, 'f1': 0.5555555555555556, 'number': 12}	{'precision': 0.7555555555555555, 'recall': 0.8717948717948718, 'f1': 0.8095238095238095, 'number': 39}	{'precision': 0.6666666666666666, 'recall': 0.42105263157894735, 'f1': 0.5161290322580646, 'number': 38}	{'precision': 0.875, 'recall': 0.9761904761904762, 'f1': 0.922829581993569, 'number': 294}	{'precision': 0.7477064220183486, 'recall': 0.8190954773869347, 'f1': 0.7817745803357314, 'number': 199}	{'precision': 0.391304347826087, 'recall': 0.3, 'f1': 0.33962264150943394, 'number': 30}	{'precision': 0.8897136797454931, 'recall': 0.9555808656036446, 'f1': 0.9214717188358045, 'number': 878}	{'precision': 0.7689075630252101, 'recall': 0.8551401869158879, 'f1': 0.8097345132743363, 'number': 214}	{'precision': 0.7058823529411765, 'recall': 0.42857142857142855, 'f1': 0.5333333333333333, 'number': 28}	{'precision': 0.8666666666666667, 'recall': 0.4126984126984127, 'f1': 0.5591397849462365, 'number': 126}	{'precision': 0.6956521739130435, 'recall': 0.3902439024390244, 'f1': 0.5000000000000001, 'number': 41}	{'precision': 0.2702702702702703, 'recall': 0.13333333333333333, 'f1': 0.17857142857142858, 'number': 75}	{'precision': 0.8571428571428571, 'recall': 0.64, 'f1': 0.732824427480916, 'number': 75}	0.8526	0.8106	0.8311	0.9253
0.0801	5.0	7350	0.3070	{'precision': 0.6190476190476191, 'recall': 0.9285714285714286, 'f1': 0.742857142857143, 'number': 14}	{'precision': 0.6526315789473685, 'recall': 0.5344827586206896, 'f1': 0.5876777251184834, 'number': 116}	{'precision': 0.9744245524296675, 'recall': 0.9114832535885168, 'f1': 0.9419035846724352, 'number': 418}	{'precision': 0.625, 'recall': 0.9090909090909091, 'f1': 0.7407407407407406, 'number': 33}	{'precision': 0.9049676025917927, 'recall': 0.8972162740899358, 'f1': 0.9010752688172042, 'number': 467}	{'precision': 0.8857142857142857, 'recall': 0.8857142857142857, 'f1': 0.8857142857142857, 'number': 35}	{'precision': 0.8928571428571429, 'recall': 0.8333333333333334, 'f1': 0.8620689655172413, 'number': 30}	{'precision': 0.4117647058823529, 'recall': 0.5833333333333334, 'f1': 0.4827586206896552, 'number': 12}	{'precision': 0.7804878048780488, 'recall': 0.8205128205128205, 'f1': 0.8, 'number': 39}	{'precision': 0.6153846153846154, 'recall': 0.8421052631578947, 'f1': 0.7111111111111111, 'number': 38}	{'precision': 0.8753799392097265, 'recall': 0.9795918367346939, 'f1': 0.9245585874799359, 'number': 294}	{'precision': 0.8076923076923077, 'recall': 0.8442211055276382, 'f1': 0.8255528255528256, 'number': 199}	{'precision': 0.6153846153846154, 'recall': 0.5333333333333333, 'f1': 0.5714285714285715, 'number': 30}	{'precision': 0.8578528827037774, 'recall': 0.9829157175398633, 'f1': 0.9161358811040339, 'number': 878}	{'precision': 0.7734375, 'recall': 0.9252336448598131, 'f1': 0.8425531914893617, 'number': 214}	{'precision': 0.696969696969697, 'recall': 0.8214285714285714, 'f1': 0.7540983606557378, 'number': 28}	{'precision': 0.8217821782178217, 'recall': 0.6587301587301587, 'f1': 0.7312775330396475, 'number': 126}	{'precision': 0.7714285714285715, 'recall': 0.6585365853658537, 'f1': 0.7105263157894737, 'number': 41}	{'precision': 0.34782608695652173, 'recall': 0.21333333333333335, 'f1': 0.2644628099173553, 'number': 75}	{'precision': 0.8727272727272727, 'recall': 0.64, 'f1': 0.7384615384615385, 'number': 75}	0.8405	0.8735	0.8567	0.9354
0.059	6.0	8820	0.2990	{'precision': 0.8333333333333334, 'recall': 0.7142857142857143, 'f1': 0.7692307692307692, 'number': 14}	{'precision': 0.7128712871287128, 'recall': 0.6206896551724138, 'f1': 0.6635944700460829, 'number': 116}	{'precision': 0.9609756097560975, 'recall': 0.9425837320574163, 'f1': 0.9516908212560385, 'number': 418}	{'precision': 0.6511627906976745, 'recall': 0.8484848484848485, 'f1': 0.736842105263158, 'number': 33}	{'precision': 0.9047619047619048, 'recall': 0.8950749464668094, 'f1': 0.8998923573735199, 'number': 467}	{'precision': 0.75, 'recall': 0.8571428571428571, 'f1': 0.7999999999999999, 'number': 35}	{'precision': 0.9259259259259259, 'recall': 0.8333333333333334, 'f1': 0.8771929824561403, 'number': 30}	{'precision': 0.625, 'recall': 0.4166666666666667, 'f1': 0.5, 'number': 12}	{'precision': 0.7804878048780488, 'recall': 0.8205128205128205, 'f1': 0.8, 'number': 39}	{'precision': 0.6595744680851063, 'recall': 0.8157894736842105, 'f1': 0.7294117647058823, 'number': 38}	{'precision': 0.9963636363636363, 'recall': 0.9319727891156463, 'f1': 0.9630931458699472, 'number': 294}	{'precision': 0.8146341463414634, 'recall': 0.8391959798994975, 'f1': 0.8267326732673267, 'number': 199}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 30}	{'precision': 0.8505408062930186, 'recall': 0.9851936218678815, 'f1': 0.9129287598944591, 'number': 878}	{'precision': 0.7892561983471075, 'recall': 0.8925233644859814, 'f1': 0.8377192982456142, 'number': 214}	{'precision': 0.6774193548387096, 'recall': 0.75, 'f1': 0.7118644067796611, 'number': 28}	{'precision': 0.8173076923076923, 'recall': 0.6746031746031746, 'f1': 0.7391304347826088, 'number': 126}	{'precision': 0.8, 'recall': 0.6829268292682927, 'f1': 0.736842105263158, 'number': 41}	{'precision': 0.34375, 'recall': 0.29333333333333333, 'f1': 0.31654676258992803, 'number': 75}	{'precision': 0.8490566037735849, 'recall': 0.6, 'f1': 0.7031249999999999, 'number': 75}	0.8509	0.8738	0.8622	0.9414
0.0416	7.0	10290	0.3299	{'precision': 0.7222222222222222, 'recall': 0.9285714285714286, 'f1': 0.8125000000000001, 'number': 14}	{'precision': 0.648, 'recall': 0.6982758620689655, 'f1': 0.6721991701244814, 'number': 116}	{'precision': 0.9675, 'recall': 0.9258373205741627, 'f1': 0.9462102689486553, 'number': 418}	{'precision': 0.6744186046511628, 'recall': 0.8787878787878788, 'f1': 0.7631578947368421, 'number': 33}	{'precision': 0.8995726495726496, 'recall': 0.9014989293361885, 'f1': 0.9005347593582887, 'number': 467}	{'precision': 0.8611111111111112, 'recall': 0.8857142857142857, 'f1': 0.8732394366197184, 'number': 35}	{'precision': 0.9259259259259259, 'recall': 0.8333333333333334, 'f1': 0.8771929824561403, 'number': 30}	{'precision': 0.4375, 'recall': 0.5833333333333334, 'f1': 0.5, 'number': 12}	{'precision': 0.7777777777777778, 'recall': 0.8974358974358975, 'f1': 0.8333333333333333, 'number': 39}	{'precision': 0.7045454545454546, 'recall': 0.8157894736842105, 'f1': 0.7560975609756098, 'number': 38}	{'precision': 0.9857142857142858, 'recall': 0.9387755102040817, 'f1': 0.9616724738675958, 'number': 294}	{'precision': 0.786046511627907, 'recall': 0.8492462311557789, 'f1': 0.8164251207729469, 'number': 199}	{'precision': 0.6206896551724138, 'recall': 0.6, 'f1': 0.6101694915254238, 'number': 30}	{'precision': 0.8853305785123967, 'recall': 0.9760820045558086, 'f1': 0.9284940411700975, 'number': 878}	{'precision': 0.7931034482758621, 'recall': 0.8598130841121495, 'f1': 0.8251121076233183, 'number': 214}	{'precision': 0.7058823529411765, 'recall': 0.8571428571428571, 'f1': 0.7741935483870968, 'number': 28}	{'precision': 0.7815126050420168, 'recall': 0.7380952380952381, 'f1': 0.7591836734693878, 'number': 126}	{'precision': 0.8235294117647058, 'recall': 0.6829268292682927, 'f1': 0.7466666666666667, 'number': 41}	{'precision': 0.4507042253521127, 'recall': 0.4266666666666667, 'f1': 0.4383561643835617, 'number': 75}	{'precision': 0.8064516129032258, 'recall': 0.6666666666666666, 'f1': 0.7299270072992701, 'number': 75}	0.8546	0.8827	0.8684	0.9444
0.0234	8.0	11760	0.3863	{'precision': 0.7857142857142857, 'recall': 0.7857142857142857, 'f1': 0.7857142857142857, 'number': 14}	{'precision': 0.7058823529411765, 'recall': 0.6206896551724138, 'f1': 0.6605504587155964, 'number': 116}	{'precision': 0.95260663507109, 'recall': 0.9617224880382775, 'f1': 0.9571428571428572, 'number': 418}	{'precision': 0.6511627906976745, 'recall': 0.8484848484848485, 'f1': 0.736842105263158, 'number': 33}	{'precision': 0.9078947368421053, 'recall': 0.8865096359743041, 'f1': 0.8970747562296858, 'number': 467}	{'precision': 0.8611111111111112, 'recall': 0.8857142857142857, 'f1': 0.8732394366197184, 'number': 35}	{'precision': 0.8888888888888888, 'recall': 0.8, 'f1': 0.8421052631578948, 'number': 30}	{'precision': 0.5555555555555556, 'recall': 0.4166666666666667, 'f1': 0.4761904761904762, 'number': 12}	{'precision': 0.7857142857142857, 'recall': 0.8461538461538461, 'f1': 0.8148148148148148, 'number': 39}	{'precision': 0.7209302325581395, 'recall': 0.8157894736842105, 'f1': 0.765432098765432, 'number': 38}	{'precision': 0.9690721649484536, 'recall': 0.9591836734693877, 'f1': 0.964102564102564, 'number': 294}	{'precision': 0.826530612244898, 'recall': 0.8140703517587939, 'f1': 0.820253164556962, 'number': 199}	{'precision': 0.5652173913043478, 'recall': 0.43333333333333335, 'f1': 0.49056603773584906, 'number': 30}	{'precision': 0.8710337768679631, 'recall': 0.969248291571754, 'f1': 0.917520215633423, 'number': 878}	{'precision': 0.7890295358649789, 'recall': 0.8738317757009346, 'f1': 0.829268292682927, 'number': 214}	{'precision': 0.6451612903225806, 'recall': 0.7142857142857143, 'f1': 0.6779661016949152, 'number': 28}	{'precision': 0.788235294117647, 'recall': 0.5317460317460317, 'f1': 0.6350710900473934, 'number': 126}	{'precision': 0.7931034482758621, 'recall': 0.5609756097560976, 'f1': 0.6571428571428573, 'number': 41}	{'precision': 0.39215686274509803, 'recall': 0.26666666666666666, 'f1': 0.3174603174603175, 'number': 75}	{'precision': 0.8703703703703703, 'recall': 0.6266666666666667, 'f1': 0.7286821705426356, 'number': 75}	0.8595	0.8612	0.8603	0.9406
0.0127	9.0	13230	0.4050	{'precision': 0.7857142857142857, 'recall': 0.7857142857142857, 'f1': 0.7857142857142857, 'number': 14}	{'precision': 0.7564102564102564, 'recall': 0.5086206896551724, 'f1': 0.6082474226804123, 'number': 116}	{'precision': 0.9568345323741008, 'recall': 0.9545454545454546, 'f1': 0.9556886227544911, 'number': 418}	{'precision': 0.6904761904761905, 'recall': 0.8787878787878788, 'f1': 0.7733333333333333, 'number': 33}	{'precision': 0.9084967320261438, 'recall': 0.892933618843683, 'f1': 0.900647948164147, 'number': 467}	{'precision': 0.9090909090909091, 'recall': 0.8571428571428571, 'f1': 0.8823529411764706, 'number': 35}	{'precision': 0.9629629629629629, 'recall': 0.8666666666666667, 'f1': 0.912280701754386, 'number': 30}	{'precision': 0.5714285714285714, 'recall': 0.3333333333333333, 'f1': 0.4210526315789474, 'number': 12}	{'precision': 0.75, 'recall': 0.9230769230769231, 'f1': 0.8275862068965517, 'number': 39}	{'precision': 0.7647058823529411, 'recall': 0.6842105263157895, 'f1': 0.7222222222222222, 'number': 38}	{'precision': 0.9288025889967637, 'recall': 0.9761904761904762, 'f1': 0.9519071310116086, 'number': 294}	{'precision': 0.8133971291866029, 'recall': 0.8542713567839196, 'f1': 0.8333333333333334, 'number': 199}	{'precision': 0.5384615384615384, 'recall': 0.4666666666666667, 'f1': 0.5, 'number': 30}	{'precision': 0.8780737704918032, 'recall': 0.9760820045558086, 'f1': 0.924487594390507, 'number': 878}	{'precision': 0.8162393162393162, 'recall': 0.8925233644859814, 'f1': 0.8526785714285715, 'number': 214}	{'precision': 0.631578947368421, 'recall': 0.8571428571428571, 'f1': 0.7272727272727273, 'number': 28}	{'precision': 0.7777777777777778, 'recall': 0.5555555555555556, 'f1': 0.6481481481481481, 'number': 126}	{'precision': 0.717948717948718, 'recall': 0.6829268292682927, 'f1': 0.7000000000000001, 'number': 41}	{'precision': 0.5161290322580645, 'recall': 0.4266666666666667, 'f1': 0.46715328467153283, 'number': 75}	{'precision': 0.7903225806451613, 'recall': 0.6533333333333333, 'f1': 0.7153284671532847, 'number': 75}	0.8611	0.8725	0.8668	0.9426
0.0085	10.0	14700	0.4101	{'precision': 0.8461538461538461, 'recall': 0.7857142857142857, 'f1': 0.8148148148148148, 'number': 14}	{'precision': 0.6727272727272727, 'recall': 0.6379310344827587, 'f1': 0.6548672566371682, 'number': 116}	{'precision': 0.9590361445783132, 'recall': 0.9521531100478469, 'f1': 0.9555822328931572, 'number': 418}	{'precision': 0.6666666666666666, 'recall': 0.8484848484848485, 'f1': 0.7466666666666666, 'number': 33}	{'precision': 0.9116379310344828, 'recall': 0.9057815845824411, 'f1': 0.9087003222341566, 'number': 467}	{'precision': 0.8108108108108109, 'recall': 0.8571428571428571, 'f1': 0.8333333333333334, 'number': 35}	{'precision': 0.9629629629629629, 'recall': 0.8666666666666667, 'f1': 0.912280701754386, 'number': 30}	{'precision': 0.5714285714285714, 'recall': 0.3333333333333333, 'f1': 0.4210526315789474, 'number': 12}	{'precision': 0.75, 'recall': 0.8461538461538461, 'f1': 0.7951807228915662, 'number': 39}	{'precision': 0.7368421052631579, 'recall': 0.7368421052631579, 'f1': 0.7368421052631579, 'number': 38}	{'precision': 0.9438943894389439, 'recall': 0.9727891156462585, 'f1': 0.9581239530988274, 'number': 294}	{'precision': 0.8106796116504854, 'recall': 0.8391959798994975, 'f1': 0.8246913580246913, 'number': 199}	{'precision': 0.6153846153846154, 'recall': 0.5333333333333333, 'f1': 0.5714285714285715, 'number': 30}	{'precision': 0.8824742268041237, 'recall': 0.9749430523917996, 'f1': 0.9264069264069265, 'number': 878}	{'precision': 0.8281938325991189, 'recall': 0.8785046728971962, 'f1': 0.8526077097505669, 'number': 214}	{'precision': 0.631578947368421, 'recall': 0.8571428571428571, 'f1': 0.7272727272727273, 'number': 28}	{'precision': 0.7802197802197802, 'recall': 0.5634920634920635, 'f1': 0.6543778801843317, 'number': 126}	{'precision': 0.6923076923076923, 'recall': 0.6585365853658537, 'f1': 0.675, 'number': 41}	{'precision': 0.46551724137931033, 'recall': 0.36, 'f1': 0.40601503759398494, 'number': 75}	{'precision': 0.7619047619047619, 'recall': 0.64, 'f1': 0.6956521739130435, 'number': 75}	0.8592	0.8744	0.8668	0.9433

Framework versions

Transformers 4.40.2
Pytorch 2.3.1+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Kudod/roberta-large-finetuned-ner-ghtk-cs-3090-26July-2

roberta-large-finetuned-ner-ghtk-cs-3090-26July-2

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Kudod/
roberta-large-finetuned-ner-ghtk-cs-3090-26July-2