You can deploy this model and start earning money today!

Kudod/
roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1

Name: roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1
Rating: 2.5 (6 reviews)

safetensors

xlm-roberta

generated_from_trainer

Kudod/roberta-large-ner-ghtk-gam-7-label-new-data-3090-13Sep-1

finetune

mit

Views

No views yet

roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1

This model is a fine-tuned version of Kudod/roberta-large-ner-ghtk-gam-7-label-new-data-3090-13Sep-1 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.3288
Hiều cao khách hàng: {'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}
Hất tóc: {'precision': 0.5757575757575758, 'recall': 0.7037037037037037, 'f1': 0.6333333333333334, 'number': 27}
Oại da: {'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}
Àu da: {'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}
Áng khuôn mặt: {'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}
Áng người: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}
Ân nặng khách hàng: {'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}
Ật độ tóc: {'precision': 0.9375, 'recall': 1.0, 'f1': 0.967741935483871, 'number': 15}
Ặc điểm khác của da: {'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}
Ộ dài tóc: {'precision': 0.6190476190476191, 'recall': 0.7222222222222222, 'f1': 0.6666666666666666, 'number': 18}
Overall Precision: 0.8112
Overall Recall: 0.8253
Overall F1: 0.8182
Overall Accuracy: 0.9584

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	Hiều cao khách hàng	Hất tóc	Oại da	Àu da	Áng khuôn mặt	Áng người	Ân nặng khách hàng	Ật độ tóc	Ặc điểm khác của da	Ộ dài tóc	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
No log	1.0	56	0.2688	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.46875, 'recall': 0.5555555555555556, 'f1': 0.5084745762711864, 'number': 27}	{'precision': 0.8260869565217391, 'recall': 0.8260869565217391, 'f1': 0.8260869565217391, 'number': 23}	{'precision': 0.6216216216216216, 'recall': 0.6052631578947368, 'f1': 0.6133333333333333, 'number': 38}	{'precision': 0.7857142857142857, 'recall': 0.6875, 'f1': 0.7333333333333334, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.84375, 'recall': 0.8709677419354839, 'f1': 0.8571428571428571, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.6, 'recall': 0.75, 'f1': 0.6666666666666665, 'number': 28}	{'precision': 0.5384615384615384, 'recall': 0.7777777777777778, 'f1': 0.6363636363636364, 'number': 18}	0.7052	0.7729	0.7375	0.9297
No log	2.0	112	0.2991	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5, 'recall': 0.48148148148148145, 'f1': 0.49056603773584906, 'number': 27}	{'precision': 0.7727272727272727, 'recall': 0.7391304347826086, 'f1': 0.7555555555555555, 'number': 23}	{'precision': 0.7241379310344828, 'recall': 0.5526315789473685, 'f1': 0.6268656716417911, 'number': 38}	{'precision': 0.8125, 'recall': 0.8125, 'f1': 0.8125, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.8571428571428571, 'recall': 0.8, 'f1': 0.8275862068965518, 'number': 15}	{'precision': 0.5161290322580645, 'recall': 0.5714285714285714, 'f1': 0.5423728813559322, 'number': 28}	{'precision': 0.56, 'recall': 0.7777777777777778, 'f1': 0.6511627906976745, 'number': 18}	0.7293	0.7293	0.7293	0.9346
No log	3.0	168	0.3144	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5483870967741935, 'recall': 0.6296296296296297, 'f1': 0.5862068965517241, 'number': 27}	{'precision': 0.8095238095238095, 'recall': 0.7391304347826086, 'f1': 0.7727272727272727, 'number': 23}	{'precision': 0.7, 'recall': 0.5526315789473685, 'f1': 0.6176470588235295, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.6666666666666666, 'recall': 0.7142857142857143, 'f1': 0.689655172413793, 'number': 28}	{'precision': 0.5652173913043478, 'recall': 0.7222222222222222, 'f1': 0.6341463414634146, 'number': 18}	0.7585	0.7817	0.7699	0.9384
No log	4.0	224	0.3667	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5666666666666667, 'recall': 0.6296296296296297, 'f1': 0.5964912280701755, 'number': 27}	{'precision': 0.8181818181818182, 'recall': 0.782608695652174, 'f1': 0.8, 'number': 23}	{'precision': 0.7666666666666667, 'recall': 0.6052631578947368, 'f1': 0.676470588235294, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.75, 'recall': 0.8, 'f1': 0.7741935483870969, 'number': 15}	{'precision': 0.65625, 'recall': 0.75, 'f1': 0.7, 'number': 28}	{'precision': 0.5909090909090909, 'recall': 0.7222222222222222, 'f1': 0.65, 'number': 18}	0.7637	0.7904	0.7768	0.9411
No log	5.0	280	0.3243	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5666666666666667, 'recall': 0.6296296296296297, 'f1': 0.5964912280701755, 'number': 27}	{'precision': 0.8095238095238095, 'recall': 0.7391304347826086, 'f1': 0.7727272727272727, 'number': 23}	{'precision': 0.7666666666666667, 'recall': 0.6052631578947368, 'f1': 0.676470588235294, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.75, 'recall': 0.8, 'f1': 0.7741935483870969, 'number': 15}	{'precision': 0.6875, 'recall': 0.7857142857142857, 'f1': 0.7333333333333334, 'number': 28}	{'precision': 0.5909090909090909, 'recall': 0.7222222222222222, 'f1': 0.65, 'number': 18}	0.7660	0.7860	0.7759	0.9449
No log	6.0	336	0.3534	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5151515151515151, 'recall': 0.6296296296296297, 'f1': 0.5666666666666667, 'number': 27}	{'precision': 0.8181818181818182, 'recall': 0.782608695652174, 'f1': 0.8, 'number': 23}	{'precision': 0.5833333333333334, 'recall': 0.5526315789473685, 'f1': 0.5675675675675677, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.8666666666666667, 'recall': 0.8666666666666667, 'f1': 0.8666666666666667, 'number': 15}	{'precision': 0.6285714285714286, 'recall': 0.7857142857142857, 'f1': 0.6984126984126985, 'number': 28}	{'precision': 0.52, 'recall': 0.7222222222222222, 'f1': 0.6046511627906976, 'number': 18}	0.724	0.7904	0.7557	0.9405
No log	7.0	392	0.3807	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5, 'recall': 0.5925925925925926, 'f1': 0.5423728813559322, 'number': 27}	{'precision': 0.7727272727272727, 'recall': 0.7391304347826086, 'f1': 0.7555555555555555, 'number': 23}	{'precision': 0.7333333333333333, 'recall': 0.5789473684210527, 'f1': 0.6470588235294117, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.7096774193548387, 'recall': 0.7857142857142857, 'f1': 0.7457627118644068, 'number': 28}	{'precision': 0.5652173913043478, 'recall': 0.7222222222222222, 'f1': 0.6341463414634146, 'number': 18}	0.7573	0.7904	0.7735	0.9422
No log	8.0	448	0.3430	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5151515151515151, 'recall': 0.6296296296296297, 'f1': 0.5666666666666667, 'number': 27}	{'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}	{'precision': 0.6774193548387096, 'recall': 0.5526315789473685, 'f1': 0.6086956521739131, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}	{'precision': 0.5652173913043478, 'recall': 0.7222222222222222, 'f1': 0.6341463414634146, 'number': 18}	0.7764	0.8035	0.7897	0.9497
0.0905	9.0	504	0.3254	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.5454545454545454, 'recall': 0.6666666666666666, 'f1': 0.6, 'number': 27}	{'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}	{'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.9375, 'recall': 1.0, 'f1': 0.967741935483871, 'number': 15}	{'precision': 0.7931034482758621, 'recall': 0.8214285714285714, 'f1': 0.8070175438596492, 'number': 28}	{'precision': 0.6190476190476191, 'recall': 0.7222222222222222, 'f1': 0.6666666666666666, 'number': 18}	0.8103	0.8210	0.8156	0.9584
0.0905	10.0	560	0.3288	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.5757575757575758, 'recall': 0.7037037037037037, 'f1': 0.6333333333333334, 'number': 27}	{'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}	{'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.9375, 'recall': 1.0, 'f1': 0.967741935483871, 'number': 15}	{'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}	{'precision': 0.6190476190476191, 'recall': 0.7222222222222222, 'f1': 0.6666666666666666, 'number': 18}	0.8112	0.8253	0.8182	0.9584

Framework versions

Transformers 4.44.0
Pytorch 2.3.1+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Kudod/roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1

roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Kudod/
roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1