Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
0.4057	0.01	100	0.3391	0.8808	0.8795	0.8865	0.8808
0.3447	0.01	200	0.3667	0.8470	0.8417	0.8728	0.8470
0.3202	0.02	300	0.3871	0.8689	0.8656	0.8869	0.8689
0.2354	0.03	400	0.4020	0.8597	0.8557	0.8805	0.8597
0.3268	0.04	500	0.3679	0.8318	0.8252	0.8610	0.8318
0.2771	0.04	600	0.2474	0.8924	0.8912	0.8982	0.8924
0.2288	0.05	700	0.2297	0.9103	0.9103	0.9103	0.9103
0.2307	0.06	800	0.2633	0.8944	0.8939	0.8957	0.8944
0.3375	0.06	900	0.2458	0.8988	0.8979	0.9024	0.8988
0.26	0.07	1000	0.2428	0.9071	0.9065	0.9099	0.9071
0.274	0.08	1100	0.2395	0.9035	0.9036	0.9036	0.9035
0.2513	0.09	1200	0.4167	0.8569	0.8532	0.8751	0.8569
0.2281	0.09	1300	0.3968	0.8633	0.8598	0.8815	0.8633
0.249	0.1	1400	0.2548	0.8804	0.8783	0.8920	0.8804
0.1986	0.11	1500	0.2590	0.9020	0.9020	0.9021	0.9020
0.26	0.11	1600	0.3084	0.8804	0.8784	0.8913	0.8804
0.2272	0.12	1700	0.2827	0.8884	0.8870	0.8956	0.8884
0.2312	0.13	1800	0.2373	0.9067	0.9068	0.9068	0.9067
0.2563	0.14	1900	0.2628	0.9008	0.9008	0.9011	0.9008
0.1876	0.14	2000	0.2744	0.8852	0.8840	0.8906	0.8852
0.284	0.15	2100	0.2751	0.8928	0.8914	0.9002	0.8928
0.203	0.16	2200	0.2406	0.9031	0.9034	0.9054	0.9031
0.2278	0.16	2300	0.2378	0.9115	0.9112	0.9123	0.9115
0.2204	0.17	2400	0.4288	0.8677	0.8646	0.8837	0.8677
0.2323	0.18	2500	0.2331	0.9115	0.9113	0.9118	0.9115
0.2508	0.19	2600	0.2932	0.8956	0.8955	0.8955	0.8956
0.2838	0.19	2700	0.2454	0.9035	0.9036	0.9037	0.9035
0.221	0.2	2800	0.3153	0.8800	0.8783	0.8881	0.8800
0.2167	0.21	2900	0.3200	0.8745	0.8724	0.8838	0.8745
0.2336	0.21	3000	0.2842	0.8880	0.8866	0.8947	0.8880
0.2653	0.22	3100	0.2353	0.9059	0.9059	0.9059	0.9059
0.2953	0.23	3200	0.2374	0.9051	0.9044	0.9087	0.9051
0.174	0.24	3300	0.2810	0.8964	0.8954	0.9006	0.8964
0.2184	0.24	3400	0.2127	0.9127	0.9125	0.9131	0.9127
0.2519	0.25	3500	0.2286	0.9083	0.9085	0.9126	0.9083
0.2326	0.26	3600	0.2904	0.8948	0.8944	0.8956	0.8948
0.1862	0.26	3700	0.2203	0.9259	0.9258	0.9259	0.9259
0.2098	0.27	3800	0.2350	0.9075	0.9074	0.9077	0.9075
0.2152	0.28	3900	0.2319	0.9063	0.9063	0.9063	0.9063
0.3154	0.29	4000	0.2184	0.9071	0.9070	0.9072	0.9071
0.1679	0.29	4100	0.4091	0.8764	0.8740	0.8892	0.8764
0.1535	0.3	4200	0.2574	0.9091	0.9090	0.9092	0.9091
0.1487	0.31	4300	0.2510	0.9063	0.9060	0.9072	0.9063
0.2337	0.31	4400	0.2163	0.9131	0.9128	0.9138	0.9131
0.3144	0.32	4500	0.2627	0.9051	0.9047	0.9062	0.9051
0.2487	0.33	4600	0.2557	0.8992	0.8985	0.9014	0.8992
0.2194	0.34	4700	0.2363	0.9159	0.9157	0.9163	0.9159
0.2602	0.34	4800	0.2374	0.9051	0.9053	0.9058	0.9051
0.2353	0.35	4900	0.2482	0.9059	0.9057	0.9062	0.9059
0.2107	0.36	5000	0.2903	0.9008	0.8998	0.9052	0.9008
0.2364	0.36	5100	0.2901	0.8760	0.8746	0.8815	0.8760
0.2009	0.37	5200	0.2491	0.9091	0.9086	0.9116	0.9091
0.2469	0.38	5300	0.3049	0.8992	0.8988	0.9000	0.8992
0.162	0.39	5400	0.2847	0.9059	0.9055	0.9071	0.9059
0.24	0.39	5500	0.2146	0.9135	0.9132	0.9143	0.9135
0.2667	0.4	5600	0.2379	0.9075	0.9072	0.9085	0.9075
0.2165	0.41	5700	0.2662	0.8844	0.8829	0.8915	0.8844
0.2007	0.41	5800	0.2539	0.9047	0.9039	0.9087	0.9047
0.221	0.42	5900	0.2272	0.9047	0.9046	0.9047	0.9047
0.2028	0.43	6000	0.3618	0.8669	0.8638	0.8826	0.8669
0.3003	0.44	6100	0.2454	0.9071	0.9071	0.9071	0.9071
0.2025	0.44	6200	0.2103	0.9175	0.9175	0.9175	0.9175
0.253	0.45	6300	0.2470	0.8992	0.8981	0.9044	0.8992
0.1955	0.46	6400	0.2887	0.9000	0.8992	0.9031	0.9000
0.1621	0.46	6500	0.2245	0.9151	0.9149	0.9155	0.9151
0.2532	0.47	6600	0.2493	0.8912	0.8907	0.8924	0.8912
0.1898	0.48	6700	0.2313	0.9083	0.9082	0.9083	0.9083
0.1858	0.49	6800	0.2514	0.9031	0.9026	0.9049	0.9031
0.1977	0.49	6900	0.2155	0.9167	0.9166	0.9167	0.9167
0.2247	0.5	7000	0.2280	0.9059	0.9056	0.9070	0.9059
0.1931	0.51	7100	0.2431	0.9047	0.9042	0.9066	0.9047
0.1746	0.51	7200	0.2400	0.9155	0.9152	0.9164	0.9155
0.2579	0.52	7300	0.2707	0.9107	0.9102	0.9125	0.9107
0.2139	0.53	7400	0.2625	0.8920	0.8910	0.8965	0.8920
0.2703	0.54	7500	0.2500	0.8980	0.8972	0.9013	0.8980
0.1412	0.54	7600	0.2210	0.9159	0.9158	0.9160	0.9159
0.2382	0.55	7700	0.2712	0.9028	0.9020	0.9064	0.9028
0.2498	0.56	7800	0.2200	0.9195	0.9193	0.9197	0.9195
0.2002	0.56	7900	0.3254	0.8832	0.8813	0.8935	0.8832
0.2359	0.57	8000	0.3023	0.8928	0.8918	0.8973	0.8928
0.2193	0.58	8100	0.2837	0.8892	0.8875	0.8988	0.8892
0.2436	0.59	8200	0.2221	0.9143	0.9142	0.9143	0.9143
0.1704	0.59	8300	0.2402	0.9123	0.9119	0.9136	0.9123
0.1979	0.6	8400	0.2722	0.8912	0.8896	0.9003	0.8912
0.2476	0.61	8500	0.2165	0.9211	0.9209	0.9216	0.9211
0.1996	0.61	8600	0.2374	0.9151	0.9148	0.9163	0.9151
0.2278	0.62	8700	0.2357	0.9079	0.9080	0.9083	0.9079
0.1625	0.63	8800	0.2205	0.9231	0.9228	0.9237	0.9231
0.2197	0.64	8900	0.3041	0.9020	0.9011	0.9063	0.9020
0.1868	0.64	9000	0.2280	0.9207	0.9205	0.9212	0.9207
0.2979	0.65	9100	0.2931	0.8948	0.8935	0.9011	0.8948
0.1973	0.66	9200	0.2322	0.9163	0.9159	0.9181	0.9163

Framework versions

Transformers 4.39.3
Pytorch 2.1.2+cu121
Datasets 2.16.1
Tokenizers 0.15.1

ManojAlexender/Trail_run_final_roberta

Trail_run_final_roberta

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

ManojAlexender/
Trail_run_final_roberta