You can deploy this model and start earning money today!

Kudod/
roberta-large-ner-ghtk-cs-new-data-seg-3090-29Aug-5

Name: roberta-large-ner-ghtk-cs-new-data-seg-3090-29Aug-5
Availability: InStock

safetensors

xlm-roberta

generated_from_trainer

FacebookAI/xlm-roberta-large

finetune

mit

Views

No views yet

roberta-large-ner-ghtk-cs-new-data-seg-3090-29Aug-5

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: 0.4633
cmt: {'precision': 0.6875, 'recall': 0.8461538461538461, 'f1': 0.7586206896551724, 'number': 26}
Tk: {'precision': 0.3333333333333333, 'recall': 0.13924050632911392, 'f1': 0.1964285714285714, 'number': 158}
A: {'precision': 0.9503464203233256, 'recall': 0.9648300117233294, 'f1': 0.9575334496800465, 'number': 853}
Gày: {'precision': 0.6301369863013698, 'recall': 0.7931034482758621, 'f1': 0.7022900763358779, 'number': 58}
Gày trừu tượng: {'precision': 0.9006211180124224, 'recall': 0.8959835221421215, 'f1': 0.8982963345379452, 'number': 971}
Gân hàng: {'precision': 0.8082191780821918, 'recall': 0.8309859154929577, 'f1': 0.8194444444444445, 'number': 71}
Hương thức thanh toán: {'precision': 0.9322033898305084, 'recall': 0.8333333333333334, 'f1': 0.8800000000000001, 'number': 66}
Hối lượng: {'precision': 0.48, 'recall': 0.46153846153846156, 'f1': 0.47058823529411764, 'number': 26}
Iền: {'precision': 0.6868686868686869, 'recall': 0.8717948717948718, 'f1': 0.768361581920904, 'number': 78}
Iờ: {'precision': 0.627906976744186, 'recall': 0.7012987012987013, 'f1': 0.6625766871165645, 'number': 77}
Mail: {'precision': 0.6078431372549019, 'recall': 0.9117647058823529, 'f1': 0.7294117647058823, 'number': 408}
Ã đơn: {'precision': 0.748, 'recall': 0.6702508960573477, 'f1': 0.7069943289224954, 'number': 279}
Ên người: {'precision': 0.5396825396825397, 'recall': 0.5483870967741935, 'f1': 0.544, 'number': 62}
Đt: {'precision': 0.5099882491186839, 'recall': 0.8884339815762539, 'f1': 0.6480029861888764, 'number': 977}
Đt trừu tượng: {'precision': 0.8226495726495726, 'recall': 0.8105263157894737, 'f1': 0.816542948038176, 'number': 475}
Ơn vị đo: {'precision': 0.6923076923076923, 'recall': 0.6428571428571429, 'f1': 0.6666666666666666, 'number': 56}
Ản phẩm cụ thể: {'precision': 0.8504672897196262, 'recall': 0.5928338762214984, 'f1': 0.6986564299424184, 'number': 307}
Ản phẩm trừu tượng: {'precision': 0.8032786885245902, 'recall': 0.7596899224806202, 'f1': 0.7808764940239045, 'number': 129}
Ịa chỉ cụ thể: {'precision': 0.4883720930232558, 'recall': 0.4666666666666667, 'f1': 0.47727272727272724, 'number': 90}
Ịa chỉ trừu tượng: {'precision': 0.768, 'recall': 0.631578947368421, 'f1': 0.6931407942238267, 'number': 152}
Overall Precision: 0.7172
Overall Recall: 0.8143
Overall F1: 0.7626
Overall Accuracy: 0.9182

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: 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
0.2417	1.0	2940	0.4008	{'precision': 0.4166666666666667, 'recall': 0.38461538461538464, 'f1': 0.4, 'number': 26}	{'precision': 0.42696629213483145, 'recall': 0.4810126582278481, 'f1': 0.45238095238095233, 'number': 158}	{'precision': 0.8976897689768977, 'recall': 0.9566236811254396, 'f1': 0.9262202043132803, 'number': 853}	{'precision': 0.41228070175438597, 'recall': 0.8103448275862069, 'f1': 0.5465116279069767, 'number': 58}	{'precision': 0.8540145985401459, 'recall': 0.84346035015448, 'f1': 0.8487046632124352, 'number': 971}	{'precision': 0.6111111111111112, 'recall': 0.7746478873239436, 'f1': 0.6832298136645963, 'number': 71}	{'precision': 0.7419354838709677, 'recall': 0.696969696969697, 'f1': 0.71875, 'number': 66}	{'precision': 0.6666666666666666, 'recall': 0.15384615384615385, 'f1': 0.25, 'number': 26}	{'precision': 0.6388888888888888, 'recall': 0.8846153846153846, 'f1': 0.7419354838709676, 'number': 78}	{'precision': 0.3893129770992366, 'recall': 0.6623376623376623, 'f1': 0.49038461538461536, 'number': 77}	{'precision': 0.5947521865889213, 'recall': 1.0, 'f1': 0.7458866544789762, 'number': 408}	{'precision': 0.38767395626242546, 'recall': 0.6989247311827957, 'f1': 0.4987212276214834, 'number': 279}	{'precision': 0.38095238095238093, 'recall': 0.25806451612903225, 'f1': 0.30769230769230765, 'number': 62}	{'precision': 0.4642857142857143, 'recall': 0.3592630501535312, 'f1': 0.40507789959607615, 'number': 977}	{'precision': 0.6956521739130435, 'recall': 0.8421052631578947, 'f1': 0.761904761904762, 'number': 475}	{'precision': 0.6582278481012658, 'recall': 0.9285714285714286, 'f1': 0.7703703703703704, 'number': 56}	{'precision': 1.0, 'recall': 0.21498371335504887, 'f1': 0.353887399463807, 'number': 307}	{'precision': 0.5418994413407822, 'recall': 0.751937984496124, 'f1': 0.6298701298701299, 'number': 129}	{'precision': 0.25675675675675674, 'recall': 0.2111111111111111, 'f1': 0.23170731707317074, 'number': 90}	{'precision': 0.7924528301886793, 'recall': 0.5526315789473685, 'f1': 0.6511627906976745, 'number': 152}	0.6519	0.6920	0.6713	0.8913
0.1846	2.0	5880	0.3719	{'precision': 0.5, 'recall': 0.19230769230769232, 'f1': 0.2777777777777778, 'number': 26}	{'precision': 0.625, 'recall': 0.06329113924050633, 'f1': 0.1149425287356322, 'number': 158}	{'precision': 0.9201349831271091, 'recall': 0.958968347010551, 'f1': 0.939150401836969, 'number': 853}	{'precision': 0.5217391304347826, 'recall': 0.8275862068965517, 'f1': 0.64, 'number': 58}	{'precision': 0.8895966029723992, 'recall': 0.86302780638517, 'f1': 0.8761108207004705, 'number': 971}	{'precision': 0.6307692307692307, 'recall': 0.5774647887323944, 'f1': 0.6029411764705882, 'number': 71}	{'precision': 0.8909090909090909, 'recall': 0.7424242424242424, 'f1': 0.8099173553719009, 'number': 66}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 26}	{'precision': 0.693069306930693, 'recall': 0.8974358974358975, 'f1': 0.7821229050279329, 'number': 78}	{'precision': 0.5, 'recall': 0.7142857142857143, 'f1': 0.588235294117647, 'number': 77}	{'precision': 0.5893470790378007, 'recall': 0.8406862745098039, 'f1': 0.692929292929293, 'number': 408}	{'precision': 0.7441860465116279, 'recall': 0.45878136200716846, 'f1': 0.5676274944567627, 'number': 279}	{'precision': 0.5769230769230769, 'recall': 0.4838709677419355, 'f1': 0.5263157894736842, 'number': 62}	{'precision': 0.42436235708003517, 'recall': 0.9877175025588536, 'f1': 0.5936634881574899, 'number': 977}	{'precision': 0.7891304347826087, 'recall': 0.7642105263157895, 'f1': 0.776470588235294, 'number': 475}	{'precision': 0.7049180327868853, 'recall': 0.7678571428571429, 'f1': 0.7350427350427351, 'number': 56}	{'precision': 0.8290598290598291, 'recall': 0.6319218241042345, 'f1': 0.7171903881700555, 'number': 307}	{'precision': 0.6692307692307692, 'recall': 0.6744186046511628, 'f1': 0.6718146718146718, 'number': 129}	{'precision': 0.24675324675324675, 'recall': 0.2111111111111111, 'f1': 0.2275449101796407, 'number': 90}	{'precision': 0.6282051282051282, 'recall': 0.6447368421052632, 'f1': 0.6363636363636362, 'number': 152}	0.6487	0.7904	0.7125	0.8972
0.1365	3.0	8820	0.3072	{'precision': 0.6129032258064516, 'recall': 0.7307692307692307, 'f1': 0.6666666666666667, 'number': 26}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 158}	{'precision': 0.9660377358490566, 'recall': 0.9003516998827668, 'f1': 0.9320388349514563, 'number': 853}	{'precision': 0.5052631578947369, 'recall': 0.8275862068965517, 'f1': 0.6274509803921569, 'number': 58}	{'precision': 0.8730650154798761, 'recall': 0.8712667353244078, 'f1': 0.8721649484536081, 'number': 971}	{'precision': 0.42857142857142855, 'recall': 0.29577464788732394, 'f1': 0.35000000000000003, 'number': 71}	{'precision': 0.8852459016393442, 'recall': 0.8181818181818182, 'f1': 0.8503937007874016, 'number': 66}	{'precision': 0.6923076923076923, 'recall': 0.34615384615384615, 'f1': 0.46153846153846156, 'number': 26}	{'precision': 0.6605504587155964, 'recall': 0.9230769230769231, 'f1': 0.7700534759358288, 'number': 78}	{'precision': 0.5263157894736842, 'recall': 0.5194805194805194, 'f1': 0.522875816993464, 'number': 77}	{'precision': 0.6329704510108864, 'recall': 0.9975490196078431, 'f1': 0.774500475737393, 'number': 408}	{'precision': 0.6635514018691588, 'recall': 0.5089605734767025, 'f1': 0.5760649087221095, 'number': 279}	{'precision': 0.4807692307692308, 'recall': 0.4032258064516129, 'f1': 0.43859649122807015, 'number': 62}	{'precision': 0.531332744924978, 'recall': 0.6161719549641761, 'f1': 0.5706161137440758, 'number': 977}	{'precision': 0.73502722323049, 'recall': 0.8526315789473684, 'f1': 0.7894736842105262, 'number': 475}	{'precision': 0.6470588235294118, 'recall': 0.5892857142857143, 'f1': 0.6168224299065421, 'number': 56}	{'precision': 0.7929515418502202, 'recall': 0.5863192182410424, 'f1': 0.6741573033707865, 'number': 307}	{'precision': 0.5949367088607594, 'recall': 0.7286821705426356, 'f1': 0.6550522648083622, 'number': 129}	{'precision': 0.38235294117647056, 'recall': 0.43333333333333335, 'f1': 0.40625, 'number': 90}	{'precision': 0.7480314960629921, 'recall': 0.625, 'f1': 0.6810035842293907, 'number': 152}	0.7140	0.7330	0.7234	0.9115
0.1007	4.0	11760	0.3459	{'precision': 0.9411764705882353, 'recall': 0.6153846153846154, 'f1': 0.744186046511628, 'number': 26}	{'precision': 0.35294117647058826, 'recall': 0.0759493670886076, 'f1': 0.125, 'number': 158}	{'precision': 0.944380069524913, 'recall': 0.9554513481828839, 'f1': 0.9498834498834497, 'number': 853}	{'precision': 0.6190476190476191, 'recall': 0.6724137931034483, 'f1': 0.6446280991735537, 'number': 58}	{'precision': 0.9243986254295533, 'recall': 0.831101956745623, 'f1': 0.8752711496746205, 'number': 971}	{'precision': 0.8082191780821918, 'recall': 0.8309859154929577, 'f1': 0.8194444444444445, 'number': 71}	{'precision': 0.9, 'recall': 0.8181818181818182, 'f1': 0.8571428571428572, 'number': 66}	{'precision': 0.5625, 'recall': 0.34615384615384615, 'f1': 0.4285714285714286, 'number': 26}	{'precision': 0.6956521739130435, 'recall': 0.8205128205128205, 'f1': 0.7529411764705882, 'number': 78}	{'precision': 0.6483516483516484, 'recall': 0.7662337662337663, 'f1': 0.7023809523809524, 'number': 77}	{'precision': 0.5924170616113744, 'recall': 0.9191176470588235, 'f1': 0.7204610951008646, 'number': 408}	{'precision': 0.8445945945945946, 'recall': 0.44802867383512546, 'f1': 0.585480093676815, 'number': 279}	{'precision': 0.6, 'recall': 0.43548387096774194, 'f1': 0.5046728971962617, 'number': 62}	{'precision': 0.8268156424581006, 'recall': 0.15148413510747186, 'f1': 0.25605536332179935, 'number': 977}	{'precision': 0.7609561752988048, 'recall': 0.8042105263157895, 'f1': 0.781985670419652, 'number': 475}	{'precision': 0.7121212121212122, 'recall': 0.8392857142857143, 'f1': 0.7704918032786886, 'number': 56}	{'precision': 0.8166666666666667, 'recall': 0.6384364820846905, 'f1': 0.7166361974405849, 'number': 307}	{'precision': 0.7411764705882353, 'recall': 0.4883720930232558, 'f1': 0.5887850467289719, 'number': 129}	{'precision': 0.525, 'recall': 0.4666666666666667, 'f1': 0.49411764705882355, 'number': 90}	{'precision': 0.65, 'recall': 0.5986842105263158, 'f1': 0.6232876712328768, 'number': 152}	0.7977	0.6449	0.7132	0.9128
0.0837	5.0	14700	0.3263	{'precision': 0.7692307692307693, 'recall': 0.7692307692307693, 'f1': 0.7692307692307693, 'number': 26}	{'precision': 0.43333333333333335, 'recall': 0.16455696202531644, 'f1': 0.23853211009174313, 'number': 158}	{'precision': 0.9635036496350365, 'recall': 0.9284876905041032, 'f1': 0.9456716417910448, 'number': 853}	{'precision': 0.6103896103896104, 'recall': 0.8103448275862069, 'f1': 0.6962962962962962, 'number': 58}	{'precision': 0.9091891891891892, 'recall': 0.8661174047373842, 'f1': 0.8871308016877638, 'number': 971}	{'precision': 0.8169014084507042, 'recall': 0.8169014084507042, 'f1': 0.8169014084507042, 'number': 71}	{'precision': 0.8870967741935484, 'recall': 0.8333333333333334, 'f1': 0.859375, 'number': 66}	{'precision': 0.5, 'recall': 0.34615384615384615, 'f1': 0.40909090909090906, 'number': 26}	{'precision': 0.6979166666666666, 'recall': 0.8589743589743589, 'f1': 0.7701149425287356, 'number': 78}	{'precision': 0.6025641025641025, 'recall': 0.6103896103896104, 'f1': 0.6064516129032258, 'number': 77}	{'precision': 0.8517110266159695, 'recall': 0.5490196078431373, 'f1': 0.6676602086438151, 'number': 408}	{'precision': 0.7804878048780488, 'recall': 0.5734767025089605, 'f1': 0.6611570247933884, 'number': 279}	{'precision': 0.5797101449275363, 'recall': 0.6451612903225806, 'f1': 0.6106870229007634, 'number': 62}	{'precision': 0.8705882352941177, 'recall': 0.15148413510747186, 'f1': 0.2580645161290323, 'number': 977}	{'precision': 0.7648148148148148, 'recall': 0.8694736842105263, 'f1': 0.8137931034482758, 'number': 475}	{'precision': 0.8636363636363636, 'recall': 0.6785714285714286, 'f1': 0.76, 'number': 56}	{'precision': 0.759656652360515, 'recall': 0.5765472312703583, 'f1': 0.6555555555555556, 'number': 307}	{'precision': 0.7516778523489933, 'recall': 0.8682170542635659, 'f1': 0.8057553956834532, 'number': 129}	{'precision': 0.5360824742268041, 'recall': 0.5777777777777777, 'f1': 0.5561497326203207, 'number': 90}	{'precision': 0.6783216783216783, 'recall': 0.6381578947368421, 'f1': 0.6576271186440679, 'number': 152}	0.8252	0.6435	0.7231	0.9211
0.0776	6.0	17640	0.4065	{'precision': 0.68, 'recall': 0.6538461538461539, 'f1': 0.6666666666666666, 'number': 26}	{'precision': 0.5283018867924528, 'recall': 0.17721518987341772, 'f1': 0.26540284360189575, 'number': 158}	{'precision': 0.9386363636363636, 'recall': 0.9683470105509965, 'f1': 0.9532602423542988, 'number': 853}	{'precision': 0.5897435897435898, 'recall': 0.7931034482758621, 'f1': 0.676470588235294, 'number': 58}	{'precision': 0.8738738738738738, 'recall': 0.8990731204943357, 'f1': 0.8862944162436547, 'number': 971}	{'precision': 0.7432432432432432, 'recall': 0.7746478873239436, 'f1': 0.7586206896551724, 'number': 71}	{'precision': 0.873015873015873, 'recall': 0.8333333333333334, 'f1': 0.8527131782945736, 'number': 66}	{'precision': 0.55, 'recall': 0.4230769230769231, 'f1': 0.47826086956521735, 'number': 26}	{'precision': 0.6509433962264151, 'recall': 0.8846153846153846, 'f1': 0.7499999999999999, 'number': 78}	{'precision': 0.5894736842105263, 'recall': 0.7272727272727273, 'f1': 0.6511627906976745, 'number': 77}	{'precision': 0.6202749140893471, 'recall': 0.8848039215686274, 'f1': 0.7292929292929293, 'number': 408}	{'precision': 0.6747720364741642, 'recall': 0.7956989247311828, 'f1': 0.7302631578947368, 'number': 279}	{'precision': 0.46296296296296297, 'recall': 0.4032258064516129, 'f1': 0.4310344827586207, 'number': 62}	{'precision': 0.5093590470788428, 'recall': 0.9191402251791198, 'f1': 0.6554744525547445, 'number': 977}	{'precision': 0.8644444444444445, 'recall': 0.8189473684210526, 'f1': 0.8410810810810811, 'number': 475}	{'precision': 0.574468085106383, 'recall': 0.48214285714285715, 'f1': 0.5242718446601942, 'number': 56}	{'precision': 0.8296943231441049, 'recall': 0.6188925081433225, 'f1': 0.7089552238805971, 'number': 307}	{'precision': 0.8269230769230769, 'recall': 0.6666666666666666, 'f1': 0.7381974248927038, 'number': 129}	{'precision': 0.3888888888888889, 'recall': 0.3111111111111111, 'f1': 0.34567901234567905, 'number': 90}	{'precision': 0.6713286713286714, 'recall': 0.631578947368421, 'f1': 0.6508474576271186, 'number': 152}	0.7068	0.8193	0.7589	0.9131
0.0406	7.0	20580	0.4271	{'precision': 0.6129032258064516, 'recall': 0.7307692307692307, 'f1': 0.6666666666666667, 'number': 26}	{'precision': 0.6724137931034483, 'recall': 0.2468354430379747, 'f1': 0.36111111111111116, 'number': 158}	{'precision': 0.9488372093023256, 'recall': 0.9566236811254396, 'f1': 0.9527145359019265, 'number': 853}	{'precision': 0.620253164556962, 'recall': 0.8448275862068966, 'f1': 0.7153284671532847, 'number': 58}	{'precision': 0.8893401015228426, 'recall': 0.90216271884655, 'f1': 0.8957055214723926, 'number': 971}	{'precision': 0.8, 'recall': 0.7887323943661971, 'f1': 0.7943262411347518, 'number': 71}	{'precision': 0.95, 'recall': 0.8636363636363636, 'f1': 0.9047619047619048, 'number': 66}	{'precision': 0.5416666666666666, 'recall': 0.5, 'f1': 0.52, 'number': 26}	{'precision': 0.6699029126213593, 'recall': 0.8846153846153846, 'f1': 0.7624309392265193, 'number': 78}	{'precision': 0.611764705882353, 'recall': 0.6753246753246753, 'f1': 0.6419753086419754, 'number': 77}	{'precision': 0.6166134185303515, 'recall': 0.946078431372549, 'f1': 0.7466150870406189, 'number': 408}	{'precision': 0.6689419795221843, 'recall': 0.7025089605734767, 'f1': 0.6853146853146853, 'number': 279}	{'precision': 0.4852941176470588, 'recall': 0.532258064516129, 'f1': 0.5076923076923077, 'number': 62}	{'precision': 0.5952380952380952, 'recall': 0.28147389969293757, 'f1': 0.3822098679638638, 'number': 977}	{'precision': 0.759927797833935, 'recall': 0.8863157894736842, 'f1': 0.8182701652089408, 'number': 475}	{'precision': 0.7837837837837838, 'recall': 0.5178571428571429, 'f1': 0.6236559139784947, 'number': 56}	{'precision': 0.8080357142857143, 'recall': 0.5895765472312704, 'f1': 0.6817325800376649, 'number': 307}	{'precision': 0.7096774193548387, 'recall': 0.8527131782945736, 'f1': 0.7746478873239436, 'number': 129}	{'precision': 0.4430379746835443, 'recall': 0.3888888888888889, 'f1': 0.41420118343195267, 'number': 90}	{'precision': 0.7132867132867133, 'recall': 0.6710526315789473, 'f1': 0.6915254237288135, 'number': 152}	0.7634	0.7171	0.7395	0.9170
0.0374	8.0	23520	0.4401	{'precision': 0.6666666666666666, 'recall': 0.5384615384615384, 'f1': 0.5957446808510638, 'number': 26}	{'precision': 0.4166666666666667, 'recall': 0.15822784810126583, 'f1': 0.22935779816513766, 'number': 158}	{'precision': 0.9558652729384437, 'recall': 0.9648300117233294, 'f1': 0.9603267211201867, 'number': 853}	{'precision': 0.6617647058823529, 'recall': 0.7758620689655172, 'f1': 0.7142857142857142, 'number': 58}	{'precision': 0.9003083247687564, 'recall': 0.90216271884655, 'f1': 0.9012345679012347, 'number': 971}	{'precision': 0.8028169014084507, 'recall': 0.8028169014084507, 'f1': 0.8028169014084506, 'number': 71}	{'precision': 0.9491525423728814, 'recall': 0.8484848484848485, 'f1': 0.896, 'number': 66}	{'precision': 0.631578947368421, 'recall': 0.46153846153846156, 'f1': 0.5333333333333333, 'number': 26}	{'precision': 0.7333333333333333, 'recall': 0.8461538461538461, 'f1': 0.7857142857142856, 'number': 78}	{'precision': 0.6619718309859155, 'recall': 0.6103896103896104, 'f1': 0.6351351351351351, 'number': 77}	{'precision': 0.6129032258064516, 'recall': 0.9313725490196079, 'f1': 0.7392996108949417, 'number': 408}	{'precision': 0.8226600985221675, 'recall': 0.5985663082437276, 'f1': 0.6929460580912863, 'number': 279}	{'precision': 0.6415094339622641, 'recall': 0.5483870967741935, 'f1': 0.591304347826087, 'number': 62}	{'precision': 0.5858369098712446, 'recall': 0.27942681678607983, 'f1': 0.3783783783783784, 'number': 977}	{'precision': 0.841648590021692, 'recall': 0.8168421052631579, 'f1': 0.8290598290598291, 'number': 475}	{'precision': 0.7115384615384616, 'recall': 0.6607142857142857, 'f1': 0.6851851851851851, 'number': 56}	{'precision': 0.8486486486486486, 'recall': 0.511400651465798, 'f1': 0.6382113821138211, 'number': 307}	{'precision': 0.5513513513513514, 'recall': 0.7906976744186046, 'f1': 0.6496815286624205, 'number': 129}	{'precision': 0.39622641509433965, 'recall': 0.4666666666666667, 'f1': 0.4285714285714286, 'number': 90}	{'precision': 0.7480314960629921, 'recall': 0.625, 'f1': 0.6810035842293907, 'number': 152}	0.7779	0.6949	0.7341	0.9200
0.0328	9.0	26460	0.4477	{'precision': 0.6285714285714286, 'recall': 0.8461538461538461, 'f1': 0.721311475409836, 'number': 26}	{'precision': 0.3333333333333333, 'recall': 0.14556962025316456, 'f1': 0.2026431718061674, 'number': 158}	{'precision': 0.9397042093287827, 'recall': 0.9683470105509965, 'f1': 0.953810623556582, 'number': 853}	{'precision': 0.6438356164383562, 'recall': 0.8103448275862069, 'f1': 0.7175572519083969, 'number': 58}	{'precision': 0.9008264462809917, 'recall': 0.898043254376931, 'f1': 0.8994326972666323, 'number': 971}	{'precision': 0.8082191780821918, 'recall': 0.8309859154929577, 'f1': 0.8194444444444445, 'number': 71}	{'precision': 0.9491525423728814, 'recall': 0.8484848484848485, 'f1': 0.896, 'number': 66}	{'precision': 0.48, 'recall': 0.46153846153846156, 'f1': 0.47058823529411764, 'number': 26}	{'precision': 0.6938775510204082, 'recall': 0.8717948717948718, 'f1': 0.7727272727272728, 'number': 78}	{'precision': 0.5949367088607594, 'recall': 0.6103896103896104, 'f1': 0.6025641025641025, 'number': 77}	{'precision': 0.6321070234113713, 'recall': 0.9264705882352942, 'f1': 0.7514910536779325, 'number': 408}	{'precision': 0.6941896024464832, 'recall': 0.8136200716845878, 'f1': 0.7491749174917492, 'number': 279}	{'precision': 0.53125, 'recall': 0.5483870967741935, 'f1': 0.5396825396825397, 'number': 62}	{'precision': 0.5058430717863105, 'recall': 0.9303991811668373, 'f1': 0.6553713049747657, 'number': 977}	{'precision': 0.792, 'recall': 0.8336842105263158, 'f1': 0.8123076923076924, 'number': 475}	{'precision': 0.7169811320754716, 'recall': 0.6785714285714286, 'f1': 0.6972477064220183, 'number': 56}	{'precision': 0.8577777777777778, 'recall': 0.6286644951140065, 'f1': 0.7255639097744362, 'number': 307}	{'precision': 0.6107784431137725, 'recall': 0.7906976744186046, 'f1': 0.6891891891891891, 'number': 129}	{'precision': 0.4842105263157895, 'recall': 0.5111111111111111, 'f1': 0.4972972972972973, 'number': 90}	{'precision': 0.7089552238805971, 'recall': 0.625, 'f1': 0.6643356643356644, 'number': 152}	0.7043	0.8366	0.7648	0.9195
0.0237	10.0	29400	0.4633	{'precision': 0.6875, 'recall': 0.8461538461538461, 'f1': 0.7586206896551724, 'number': 26}	{'precision': 0.3333333333333333, 'recall': 0.13924050632911392, 'f1': 0.1964285714285714, 'number': 158}	{'precision': 0.9503464203233256, 'recall': 0.9648300117233294, 'f1': 0.9575334496800465, 'number': 853}	{'precision': 0.6301369863013698, 'recall': 0.7931034482758621, 'f1': 0.7022900763358779, 'number': 58}	{'precision': 0.9006211180124224, 'recall': 0.8959835221421215, 'f1': 0.8982963345379452, 'number': 971}	{'precision': 0.8082191780821918, 'recall': 0.8309859154929577, 'f1': 0.8194444444444445, 'number': 71}	{'precision': 0.9322033898305084, 'recall': 0.8333333333333334, 'f1': 0.8800000000000001, 'number': 66}	{'precision': 0.48, 'recall': 0.46153846153846156, 'f1': 0.47058823529411764, 'number': 26}	{'precision': 0.6868686868686869, 'recall': 0.8717948717948718, 'f1': 0.768361581920904, 'number': 78}	{'precision': 0.627906976744186, 'recall': 0.7012987012987013, 'f1': 0.6625766871165645, 'number': 77}	{'precision': 0.6078431372549019, 'recall': 0.9117647058823529, 'f1': 0.7294117647058823, 'number': 408}	{'precision': 0.748, 'recall': 0.6702508960573477, 'f1': 0.7069943289224954, 'number': 279}	{'precision': 0.5396825396825397, 'recall': 0.5483870967741935, 'f1': 0.544, 'number': 62}	{'precision': 0.5099882491186839, 'recall': 0.8884339815762539, 'f1': 0.6480029861888764, 'number': 977}	{'precision': 0.8226495726495726, 'recall': 0.8105263157894737, 'f1': 0.816542948038176, 'number': 475}	{'precision': 0.6923076923076923, 'recall': 0.6428571428571429, 'f1': 0.6666666666666666, 'number': 56}	{'precision': 0.8504672897196262, 'recall': 0.5928338762214984, 'f1': 0.6986564299424184, 'number': 307}	{'precision': 0.8032786885245902, 'recall': 0.7596899224806202, 'f1': 0.7808764940239045, 'number': 129}	{'precision': 0.4883720930232558, 'recall': 0.4666666666666667, 'f1': 0.47727272727272724, 'number': 90}	{'precision': 0.768, 'recall': 0.631578947368421, 'f1': 0.6931407942238267, 'number': 152}	0.7172	0.8143	0.7626	0.9182

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-new-data-seg-3090-29Aug-5

roberta-large-ner-ghtk-cs-new-data-seg-3090-29Aug-5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Kudod/
roberta-large-ner-ghtk-cs-new-data-seg-3090-29Aug-5