You can deploy this model and start earning money today!

Kudod/
roberta-large-ner-ghtk-cs-18-label-new-data-3090-6Sep-1

Name: roberta-large-ner-ghtk-cs-18-label-new-data-3090-6Sep-1
Availability: InStock

safetensors

xlm-roberta

generated_from_trainer

FacebookAI/xlm-roberta-large

finetune

mit

Views

No views yet

roberta-large-ner-ghtk-cs-18-label-new-data-3090-6Sep-1

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: 0.3267
cmt: {'precision': 0.7692307692307693, 'recall': 0.7142857142857143, 'f1': 0.7407407407407408, 'number': 14}
Tk: {'precision': 0.6534653465346535, 'recall': 0.5689655172413793, 'f1': 0.6082949308755761, 'number': 116}
A: {'precision': 0.9634146341463414, 'recall': 0.9449760765550239, 'f1': 0.9541062801932367, 'number': 418}
Gày trừu tượng: {'precision': 0.9157667386609071, 'recall': 0.9079229122055674, 'f1': 0.9118279569892473, 'number': 467}
Gân hàng: {'precision': 0.8611111111111112, 'recall': 0.8857142857142857, 'f1': 0.8732394366197184, 'number': 35}
Hương thức thanh toán: {'precision': 0.9642857142857143, 'recall': 0.9, 'f1': 0.9310344827586207, 'number': 30}
Hối lượng: {'precision': 0.5, 'recall': 0.5833333333333334, 'f1': 0.5384615384615384, 'number': 12}
Iền: {'precision': 0.7674418604651163, 'recall': 0.8461538461538461, 'f1': 0.8048780487804877, 'number': 39}
Mail: {'precision': 0.9553264604810997, 'recall': 0.9455782312925171, 'f1': 0.9504273504273505, 'number': 294}
Ã đơn: {'precision': 0.8601036269430051, 'recall': 0.8341708542713567, 'f1': 0.846938775510204, 'number': 199}
Ên người: {'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 30}
Đt: {'precision': 0.8661257606490872, 'recall': 0.9726651480637813, 'f1': 0.9163090128755366, 'number': 878}
Đt trừu tượng: {'precision': 0.8504672897196262, 'recall': 0.8504672897196262, 'f1': 0.850467289719626, 'number': 214}
Ơn vị đo: {'precision': 0.7, 'recall': 0.75, 'f1': 0.7241379310344827, 'number': 28}
Ản phẩm cụ thể: {'precision': 0.8064516129032258, 'recall': 0.5952380952380952, 'f1': 0.684931506849315, 'number': 126}
Ản phẩm trừu tượng: {'precision': 0.7631578947368421, 'recall': 0.7073170731707317, 'f1': 0.7341772151898733, 'number': 41}
Ịa chỉ cụ thể: {'precision': 0.5862068965517241, 'recall': 0.4533333333333333, 'f1': 0.5112781954887218, 'number': 75}
Ịa chỉ trừu tượng: {'precision': 0.8166666666666667, 'recall': 0.6533333333333333, 'f1': 0.725925925925926, 'number': 75}
Overall Precision: 0.8705
Overall Recall: 0.8742
Overall F1: 0.8723
Overall Accuracy: 0.9457

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: 2.5e-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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	cmt	Tk	A	Gày trừu tượng	Gân hàng	Hương thức thanh toán	Hối lượng	Iền	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
0.098	1.0	1833	0.2787	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 14}	{'precision': 0.4397590361445783, 'recall': 0.6293103448275862, 'f1': 0.5177304964539006, 'number': 116}	{'precision': 0.9354838709677419, 'recall': 0.9712918660287081, 'f1': 0.9530516431924883, 'number': 418}	{'precision': 0.8593073593073594, 'recall': 0.8501070663811563, 'f1': 0.8546824542518837, 'number': 467}	{'precision': 0.5909090909090909, 'recall': 0.7428571428571429, 'f1': 0.6582278481012659, 'number': 35}	{'precision': 0.875, 'recall': 0.4666666666666667, 'f1': 0.608695652173913, 'number': 30}	{'precision': 0.3333333333333333, 'recall': 0.25, 'f1': 0.28571428571428575, 'number': 12}	{'precision': 0.5, 'recall': 0.5128205128205128, 'f1': 0.5063291139240506, 'number': 39}	{'precision': 0.9107142857142857, 'recall': 0.8673469387755102, 'f1': 0.8885017421602788, 'number': 294}	{'precision': 0.7012448132780082, 'recall': 0.8492462311557789, 'f1': 0.7681818181818181, 'number': 199}	{'precision': 0.23076923076923078, 'recall': 0.1, 'f1': 0.13953488372093023, 'number': 30}	{'precision': 0.7640845070422535, 'recall': 0.9886104783599089, 'f1': 0.8619662363455809, 'number': 878}	{'precision': 0.5646067415730337, 'recall': 0.9392523364485982, 'f1': 0.7052631578947368, 'number': 214}	{'precision': 0.7333333333333333, 'recall': 0.39285714285714285, 'f1': 0.5116279069767441, 'number': 28}	{'precision': 0.7627118644067796, 'recall': 0.35714285714285715, 'f1': 0.4864864864864865, 'number': 126}	{'precision': 0.6923076923076923, 'recall': 0.21951219512195122, 'f1': 0.3333333333333333, 'number': 41}	{'precision': 0.2962962962962963, 'recall': 0.10666666666666667, 'f1': 0.1568627450980392, 'number': 75}	{'precision': 0.6666666666666666, 'recall': 0.5066666666666667, 'f1': 0.5757575757575758, 'number': 75}	0.7559	0.8237	0.7884	0.9119
0.0623	2.0	3666	0.2388	{'precision': 0.5714285714285714, 'recall': 0.2857142857142857, 'f1': 0.38095238095238093, 'number': 14}	{'precision': 0.5555555555555556, 'recall': 0.25862068965517243, 'f1': 0.3529411764705883, 'number': 116}	{'precision': 0.9567307692307693, 'recall': 0.9521531100478469, 'f1': 0.9544364508393286, 'number': 418}	{'precision': 0.9238095238095239, 'recall': 0.8308351177730193, 'f1': 0.874859075535513, 'number': 467}	{'precision': 0.8125, 'recall': 0.7428571428571429, 'f1': 0.7761194029850748, 'number': 35}	{'precision': 0.88, 'recall': 0.7333333333333333, 'f1': 0.8, 'number': 30}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 12}	{'precision': 0.6585365853658537, 'recall': 0.6923076923076923, 'f1': 0.675, 'number': 39}	{'precision': 0.9411764705882353, 'recall': 0.7619047619047619, 'f1': 0.8421052631578947, 'number': 294}	{'precision': 0.7184873949579832, 'recall': 0.8592964824120602, 'f1': 0.7826086956521738, 'number': 199}	{'precision': 0.41025641025641024, 'recall': 0.5333333333333333, 'f1': 0.463768115942029, 'number': 30}	{'precision': 0.8129699248120301, 'recall': 0.9851936218678815, 'f1': 0.8908341915550978, 'number': 878}	{'precision': 0.8674033149171271, 'recall': 0.7336448598130841, 'f1': 0.7949367088607595, 'number': 214}	{'precision': 0.6875, 'recall': 0.39285714285714285, 'f1': 0.5, 'number': 28}	{'precision': 0.8169014084507042, 'recall': 0.4603174603174603, 'f1': 0.5888324873096447, 'number': 126}	{'precision': 1.0, 'recall': 0.17073170731707318, 'f1': 0.2916666666666667, 'number': 41}	{'precision': 0.2608695652173913, 'recall': 0.16, 'f1': 0.19834710743801653, 'number': 75}	{'precision': 0.8837209302325582, 'recall': 0.5066666666666667, 'f1': 0.6440677966101697, 'number': 75}	0.8350	0.7939	0.8139	0.9217
0.0462	3.0	5499	0.2443	{'precision': 0.6666666666666666, 'recall': 0.7142857142857143, 'f1': 0.689655172413793, 'number': 14}	{'precision': 0.5384615384615384, 'recall': 0.6637931034482759, 'f1': 0.5945945945945946, 'number': 116}	{'precision': 0.929384965831435, 'recall': 0.9760765550239234, 'f1': 0.9521586931155193, 'number': 418}	{'precision': 0.8185255198487713, 'recall': 0.9271948608137045, 'f1': 0.8694779116465864, 'number': 467}	{'precision': 0.6, 'recall': 0.7714285714285715, 'f1': 0.675, 'number': 35}	{'precision': 0.7058823529411765, 'recall': 0.8, 'f1': 0.7500000000000001, 'number': 30}	{'precision': 0.35, 'recall': 0.5833333333333334, 'f1': 0.4375, 'number': 12}	{'precision': 0.6229508196721312, 'recall': 0.9743589743589743, 'f1': 0.76, 'number': 39}	{'precision': 0.8892405063291139, 'recall': 0.95578231292517, 'f1': 0.921311475409836, 'number': 294}	{'precision': 0.6591760299625468, 'recall': 0.8844221105527639, 'f1': 0.7553648068669527, 'number': 199}	{'precision': 0.4411764705882353, 'recall': 0.5, 'f1': 0.46875, 'number': 30}	{'precision': 0.8080903104421449, 'recall': 0.9783599088838268, 'f1': 0.8851107676455434, 'number': 878}	{'precision': 0.7622950819672131, 'recall': 0.8691588785046729, 'f1': 0.8122270742358078, 'number': 214}	{'precision': 0.6666666666666666, 'recall': 0.8571428571428571, 'f1': 0.75, 'number': 28}	{'precision': 0.672, 'recall': 0.6666666666666666, 'f1': 0.6693227091633466, 'number': 126}	{'precision': 0.72, 'recall': 0.43902439024390244, 'f1': 0.5454545454545455, 'number': 41}	{'precision': 0.43333333333333335, 'recall': 0.3466666666666667, 'f1': 0.3851851851851852, 'number': 75}	{'precision': 0.6216216216216216, 'recall': 0.6133333333333333, 'f1': 0.6174496644295302, 'number': 75}	0.7759	0.8861	0.8274	0.9226
0.0315	4.0	7332	0.2350	{'precision': 0.6666666666666666, 'recall': 0.42857142857142855, 'f1': 0.5217391304347826, 'number': 14}	{'precision': 0.5808823529411765, 'recall': 0.6810344827586207, 'f1': 0.626984126984127, 'number': 116}	{'precision': 0.9443155452436195, 'recall': 0.9736842105263158, 'f1': 0.9587750294464076, 'number': 418}	{'precision': 0.8678861788617886, 'recall': 0.9143468950749465, 'f1': 0.8905109489051095, 'number': 467}	{'precision': 0.7692307692307693, 'recall': 0.8571428571428571, 'f1': 0.8108108108108107, 'number': 35}	{'precision': 0.7575757575757576, 'recall': 0.8333333333333334, 'f1': 0.7936507936507938, 'number': 30}	{'precision': 0.3333333333333333, 'recall': 0.25, 'f1': 0.28571428571428575, 'number': 12}	{'precision': 0.7254901960784313, 'recall': 0.9487179487179487, 'f1': 0.8222222222222223, 'number': 39}	{'precision': 0.8546511627906976, 'recall': 1.0, 'f1': 0.9216300940438871, 'number': 294}	{'precision': 0.795, 'recall': 0.7989949748743719, 'f1': 0.7969924812030076, 'number': 199}	{'precision': 0.5833333333333334, 'recall': 0.7, 'f1': 0.6363636363636365, 'number': 30}	{'precision': 0.881808838643371, 'recall': 0.9772209567198178, 'f1': 0.927066450567261, 'number': 878}	{'precision': 0.5963855421686747, 'recall': 0.9252336448598131, 'f1': 0.7252747252747254, 'number': 214}	{'precision': 0.5714285714285714, 'recall': 0.7142857142857143, 'f1': 0.634920634920635, 'number': 28}	{'precision': 0.8452380952380952, 'recall': 0.5634920634920635, 'f1': 0.6761904761904762, 'number': 126}	{'precision': 0.5909090909090909, 'recall': 0.3170731707317073, 'f1': 0.41269841269841273, 'number': 41}	{'precision': 0.41304347826086957, 'recall': 0.25333333333333335, 'f1': 0.3140495867768595, 'number': 75}	{'precision': 0.746031746031746, 'recall': 0.6266666666666667, 'f1': 0.6811594202898551, 'number': 75}	0.8138	0.8780	0.8447	0.9316
0.0248	5.0	9165	0.2057	{'precision': 0.6875, 'recall': 0.7857142857142857, 'f1': 0.7333333333333334, 'number': 14}	{'precision': 0.644927536231884, 'recall': 0.7672413793103449, 'f1': 0.7007874015748031, 'number': 116}	{'precision': 0.9704433497536946, 'recall': 0.9425837320574163, 'f1': 0.9563106796116505, 'number': 418}	{'precision': 0.9432624113475178, 'recall': 0.854389721627409, 'f1': 0.8966292134831461, 'number': 467}	{'precision': 0.7837837837837838, 'recall': 0.8285714285714286, 'f1': 0.8055555555555555, 'number': 35}	{'precision': 0.78125, 'recall': 0.8333333333333334, 'f1': 0.8064516129032259, 'number': 30}	{'precision': 0.42105263157894735, 'recall': 0.6666666666666666, 'f1': 0.5161290322580646, 'number': 12}	{'precision': 0.7391304347826086, 'recall': 0.8717948717948718, 'f1': 0.7999999999999999, 'number': 39}	{'precision': 0.9383561643835616, 'recall': 0.9319727891156463, 'f1': 0.9351535836177475, 'number': 294}	{'precision': 0.8018867924528302, 'recall': 0.8542713567839196, 'f1': 0.8272506082725061, 'number': 199}	{'precision': 0.6944444444444444, 'recall': 0.8333333333333334, 'f1': 0.7575757575757577, 'number': 30}	{'precision': 0.8433497536945813, 'recall': 0.9749430523917996, 'f1': 0.9043845747490756, 'number': 878}	{'precision': 0.8302752293577982, 'recall': 0.8457943925233645, 'f1': 0.8379629629629631, 'number': 214}	{'precision': 0.7027027027027027, 'recall': 0.9285714285714286, 'f1': 0.7999999999999999, 'number': 28}	{'precision': 0.7692307692307693, 'recall': 0.5555555555555556, 'f1': 0.6451612903225806, 'number': 126}	{'precision': 0.6, 'recall': 0.5853658536585366, 'f1': 0.5925925925925926, 'number': 41}	{'precision': 0.4603174603174603, 'recall': 0.38666666666666666, 'f1': 0.42028985507246375, 'number': 75}	{'precision': 0.7272727272727273, 'recall': 0.64, 'f1': 0.6808510638297872, 'number': 75}	0.8447	0.8709	0.8576	0.9420
0.0205	6.0	10998	0.2563	{'precision': 0.6666666666666666, 'recall': 0.7142857142857143, 'f1': 0.689655172413793, 'number': 14}	{'precision': 0.6081081081081081, 'recall': 0.3879310344827586, 'f1': 0.47368421052631576, 'number': 116}	{'precision': 0.9425287356321839, 'recall': 0.9808612440191388, 'f1': 0.9613130128956624, 'number': 418}	{'precision': 0.8981288981288982, 'recall': 0.9250535331905781, 'f1': 0.9113924050632912, 'number': 467}	{'precision': 0.8333333333333334, 'recall': 0.8571428571428571, 'f1': 0.8450704225352113, 'number': 35}	{'precision': 0.9285714285714286, 'recall': 0.8666666666666667, 'f1': 0.896551724137931, 'number': 30}	{'precision': 0.4666666666666667, 'recall': 0.5833333333333334, 'f1': 0.5185185185185186, 'number': 12}	{'precision': 0.7368421052631579, 'recall': 0.717948717948718, 'f1': 0.7272727272727273, 'number': 39}	{'precision': 0.951048951048951, 'recall': 0.9251700680272109, 'f1': 0.9379310344827587, 'number': 294}	{'precision': 0.8217821782178217, 'recall': 0.8341708542713567, 'f1': 0.827930174563591, 'number': 199}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 30}	{'precision': 0.8632734530938124, 'recall': 0.9851936218678815, 'f1': 0.9202127659574468, 'number': 878}	{'precision': 0.9251336898395722, 'recall': 0.8084112149532711, 'f1': 0.8628428927680798, 'number': 214}	{'precision': 0.6842105263157895, 'recall': 0.9285714285714286, 'f1': 0.7878787878787878, 'number': 28}	{'precision': 0.7777777777777778, 'recall': 0.5, 'f1': 0.6086956521739131, 'number': 126}	{'precision': 0.7272727272727273, 'recall': 0.5853658536585366, 'f1': 0.6486486486486487, 'number': 41}	{'precision': 0.5490196078431373, 'recall': 0.37333333333333335, 'f1': 0.4444444444444445, 'number': 75}	{'precision': 0.8148148148148148, 'recall': 0.5866666666666667, 'f1': 0.6821705426356589, 'number': 75}	0.8644	0.8638	0.8641	0.9432
0.0111	7.0	12831	0.2700	{'precision': 0.5714285714285714, 'recall': 0.5714285714285714, 'f1': 0.5714285714285714, 'number': 14}	{'precision': 0.6147540983606558, 'recall': 0.646551724137931, 'f1': 0.6302521008403362, 'number': 116}	{'precision': 0.9775, 'recall': 0.9354066985645934, 'f1': 0.9559902200488999, 'number': 418}	{'precision': 0.9076923076923077, 'recall': 0.8843683083511777, 'f1': 0.8958785249457701, 'number': 467}	{'precision': 0.8571428571428571, 'recall': 0.8571428571428571, 'f1': 0.8571428571428571, 'number': 35}	{'precision': 0.8387096774193549, 'recall': 0.8666666666666667, 'f1': 0.8524590163934426, 'number': 30}	{'precision': 0.4166666666666667, 'recall': 0.4166666666666667, 'f1': 0.4166666666666667, 'number': 12}	{'precision': 0.75, 'recall': 0.9230769230769231, 'f1': 0.8275862068965517, 'number': 39}	{'precision': 0.9276315789473685, 'recall': 0.9591836734693877, 'f1': 0.94314381270903, 'number': 294}	{'precision': 0.8494623655913979, 'recall': 0.7939698492462312, 'f1': 0.8207792207792207, 'number': 199}	{'precision': 0.6571428571428571, 'recall': 0.7666666666666667, 'f1': 0.7076923076923077, 'number': 30}	{'precision': 0.8595787362086259, 'recall': 0.9760820045558086, 'f1': 0.9141333333333334, 'number': 878}	{'precision': 0.8198198198198198, 'recall': 0.8504672897196262, 'f1': 0.8348623853211008, 'number': 214}	{'precision': 0.6285714285714286, 'recall': 0.7857142857142857, 'f1': 0.6984126984126985, 'number': 28}	{'precision': 0.6847826086956522, 'recall': 0.5, 'f1': 0.5779816513761468, 'number': 126}	{'precision': 0.7666666666666667, 'recall': 0.5609756097560976, 'f1': 0.6478873239436621, 'number': 41}	{'precision': 0.55, 'recall': 0.44, 'f1': 0.48888888888888893, 'number': 75}	{'precision': 0.7419354838709677, 'recall': 0.6133333333333333, 'f1': 0.6715328467153284, 'number': 75}	0.8513	0.8648	0.8580	0.9412
0.0086	8.0	14664	0.2834	{'precision': 0.8333333333333334, 'recall': 0.7142857142857143, 'f1': 0.7692307692307692, 'number': 14}	{'precision': 0.7171717171717171, 'recall': 0.6120689655172413, 'f1': 0.6604651162790697, 'number': 116}	{'precision': 0.9618138424821002, 'recall': 0.9641148325358851, 'f1': 0.9629629629629629, 'number': 418}	{'precision': 0.9023354564755839, 'recall': 0.9100642398286938, 'f1': 0.9061833688699361, 'number': 467}	{'precision': 0.8823529411764706, 'recall': 0.8571428571428571, 'f1': 0.8695652173913043, 'number': 35}	{'precision': 0.9285714285714286, 'recall': 0.8666666666666667, 'f1': 0.896551724137931, 'number': 30}	{'precision': 0.5384615384615384, 'recall': 0.5833333333333334, 'f1': 0.5599999999999999, 'number': 12}	{'precision': 0.7954545454545454, 'recall': 0.8974358974358975, 'f1': 0.8433734939759037, 'number': 39}	{'precision': 0.951048951048951, 'recall': 0.9251700680272109, 'f1': 0.9379310344827587, 'number': 294}	{'precision': 0.875, 'recall': 0.8090452261306532, 'f1': 0.8407310704960836, 'number': 199}	{'precision': 0.5945945945945946, 'recall': 0.7333333333333333, 'f1': 0.6567164179104478, 'number': 30}	{'precision': 0.857, 'recall': 0.9760820045558086, 'f1': 0.9126730564430244, 'number': 878}	{'precision': 0.8333333333333334, 'recall': 0.8644859813084113, 'f1': 0.8486238532110092, 'number': 214}	{'precision': 0.6190476190476191, 'recall': 0.4642857142857143, 'f1': 0.5306122448979592, 'number': 28}	{'precision': 0.7641509433962265, 'recall': 0.6428571428571429, 'f1': 0.6982758620689656, 'number': 126}	{'precision': 0.6222222222222222, 'recall': 0.6829268292682927, 'f1': 0.6511627906976744, 'number': 41}	{'precision': 0.5517241379310345, 'recall': 0.4266666666666667, 'f1': 0.481203007518797, 'number': 75}	{'precision': 0.7391304347826086, 'recall': 0.68, 'f1': 0.7083333333333334, 'number': 75}	0.8605	0.8764	0.8684	0.9443
0.0056	9.0	16497	0.3169	{'precision': 0.7142857142857143, 'recall': 0.7142857142857143, 'f1': 0.7142857142857143, 'number': 14}	{'precision': 0.6565656565656566, 'recall': 0.5603448275862069, 'f1': 0.6046511627906976, 'number': 116}	{'precision': 0.9571428571428572, 'recall': 0.9617224880382775, 'f1': 0.9594272076372317, 'number': 418}	{'precision': 0.8914405010438413, 'recall': 0.9143468950749465, 'f1': 0.9027484143763214, 'number': 467}	{'precision': 0.8611111111111112, 'recall': 0.8857142857142857, 'f1': 0.8732394366197184, 'number': 35}	{'precision': 0.9, 'recall': 0.9, 'f1': 0.9, 'number': 30}	{'precision': 0.5, 'recall': 0.5833333333333334, 'f1': 0.5384615384615384, 'number': 12}	{'precision': 0.7317073170731707, 'recall': 0.7692307692307693, 'f1': 0.7499999999999999, 'number': 39}	{'precision': 0.9523809523809523, 'recall': 0.9523809523809523, 'f1': 0.9523809523809523, 'number': 294}	{'precision': 0.85, 'recall': 0.8542713567839196, 'f1': 0.8521303258145363, 'number': 199}	{'precision': 0.6774193548387096, 'recall': 0.7, 'f1': 0.6885245901639343, 'number': 30}	{'precision': 0.8683673469387755, 'recall': 0.969248291571754, 'f1': 0.9160387513455328, 'number': 878}	{'precision': 0.8088888888888889, 'recall': 0.8504672897196262, 'f1': 0.8291571753986333, 'number': 214}	{'precision': 0.6774193548387096, 'recall': 0.75, 'f1': 0.7118644067796611, 'number': 28}	{'precision': 0.7752808988764045, 'recall': 0.5476190476190477, 'f1': 0.641860465116279, 'number': 126}	{'precision': 0.7714285714285715, 'recall': 0.6585365853658537, 'f1': 0.7105263157894737, 'number': 41}	{'precision': 0.6538461538461539, 'recall': 0.4533333333333333, 'f1': 0.5354330708661418, 'number': 75}	{'precision': 0.7692307692307693, 'recall': 0.6666666666666666, 'f1': 0.7142857142857142, 'number': 75}	0.8625	0.8748	0.8686	0.9445
0.0038	10.0	18330	0.3267	{'precision': 0.7692307692307693, 'recall': 0.7142857142857143, 'f1': 0.7407407407407408, 'number': 14}	{'precision': 0.6534653465346535, 'recall': 0.5689655172413793, 'f1': 0.6082949308755761, 'number': 116}	{'precision': 0.9634146341463414, 'recall': 0.9449760765550239, 'f1': 0.9541062801932367, 'number': 418}	{'precision': 0.9157667386609071, 'recall': 0.9079229122055674, 'f1': 0.9118279569892473, 'number': 467}	{'precision': 0.8611111111111112, 'recall': 0.8857142857142857, 'f1': 0.8732394366197184, 'number': 35}	{'precision': 0.9642857142857143, 'recall': 0.9, 'f1': 0.9310344827586207, 'number': 30}	{'precision': 0.5, 'recall': 0.5833333333333334, 'f1': 0.5384615384615384, 'number': 12}	{'precision': 0.7674418604651163, 'recall': 0.8461538461538461, 'f1': 0.8048780487804877, 'number': 39}	{'precision': 0.9553264604810997, 'recall': 0.9455782312925171, 'f1': 0.9504273504273505, 'number': 294}	{'precision': 0.8601036269430051, 'recall': 0.8341708542713567, 'f1': 0.846938775510204, 'number': 199}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 30}	{'precision': 0.8661257606490872, 'recall': 0.9726651480637813, 'f1': 0.9163090128755366, 'number': 878}	{'precision': 0.8504672897196262, 'recall': 0.8504672897196262, 'f1': 0.850467289719626, 'number': 214}	{'precision': 0.7, 'recall': 0.75, 'f1': 0.7241379310344827, 'number': 28}	{'precision': 0.8064516129032258, 'recall': 0.5952380952380952, 'f1': 0.684931506849315, 'number': 126}	{'precision': 0.7631578947368421, 'recall': 0.7073170731707317, 'f1': 0.7341772151898733, 'number': 41}	{'precision': 0.5862068965517241, 'recall': 0.4533333333333333, 'f1': 0.5112781954887218, 'number': 75}	{'precision': 0.8166666666666667, 'recall': 0.6533333333333333, 'f1': 0.725925925925926, 'number': 75}	0.8705	0.8742	0.8723	0.9457

Framework versions

Transformers 4.44.0
Pytorch 2.3.1+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Kudod/roberta-large-ner-ghtk-cs-18-label-new-data-3090-6Sep-1

roberta-large-ner-ghtk-cs-18-label-new-data-3090-6Sep-1

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Kudod/
roberta-large-ner-ghtk-cs-18-label-new-data-3090-6Sep-1