# 高い正解率

このモデルはQwen3-0.6Bを微調整した対話ターン検出モデルで、UnslothとHuggingface TRLライブラリを使用してトレーニングを加速し、対話ターン検出タスクで96.22%の正解率を達成しました。

これはSetFitに基づく効率的な少サンプル学習モデルで、テキスト分類タスクに使用されます。sentence-transformers/paraphrase-MiniLM-L6-v2を文埋め込みモデルとして、LogisticRegressionを分類に使用します。

DistilBERTベースの軽量ウズベク語感情分析モデルで、テキストの感情分類に使用されます。

これはgoogle/switch-base-8をベースに、GLUE MNLIデータセットでファインチューニングされたテキスト分類モデルで、主に自然言語推論タスクに使用されます。

事前学習されたインドネシア語のBERTモデルを微調整して作成され、インドネシア語のコメントや評価に対する感情分析に使用され、テキストをネガティブ、ニュートラル、ポジティブの3つのカテゴリに分類できます。

Twitter RoBERTaモデルをWNUT 17データセットで微調整した命名エンティティ認識モデルで、テキスト中の特定のエンティティカテゴリを識別するために使用されます。

xlm - roberta - baseをベースにxtreme_enデータセットで微調整したタグ分類モデルで、多言語テキスト処理をサポートします。

DistilBERTベースモデルを微調整したバージョンで、テキスト分類タスクに適しています。

このモデルは、DistilBERTをベースにclinc_oosデータセットで微調整されたテキスト分類モデルで、主に意図識別タスクに使用されます。

RoBERTa-baseアーキテクチャに基づく皮肉テキスト分類器で、テキストが皮肉内容かどうかを区別するために使用されます。

DistilBERTの基礎モデルを感情データセットで微調整したテキスト分類モデルで、感情分析タスクに使用されます。

DistilBERTに基づく感情分類モデルで、感情データセットで微調整し、正解率は91.5%に達します。

GLUEデータセットを基に微調整された分類モデルで、自然言語処理タスクに適しています。

このモデルは、ALBERTの基本バージョン（albert-base-v2）をGLUEデータセットのRTEタスクで微調整したテキスト分類モデルで、主にテキスト含意認識タスクに使用されます。

TextAttackフレームワークを基にGLUEデータセットで微調整されたテキスト分類モデルで、主に自然言語処理タスクに使用されます。

これはAutoNLPを基に訓練された多クラス分類モデルで、銀行取引分類タスクに特化しています。

DistilBERT-base-uncasedをベースに、IMDB映画レビューデータセットで微調整された、感情分析タスク用のテキスト分類モデル

BERT-base-uncasedをベースに微調整したツイッター感情分析モデルで、50kのデータで5エポック訓練し、検証の正解率は82.91%に達しました。

DistilBERTベースの軽量感情分析モデルで、感情データセットで微調整され、正解率は92.95%に達します。

DistilBERTアーキテクチャに基づく軽量級感情分析モデルで、SST2データセットに特化して微調整され、テキスト中のポジティブまたはネガティブな感情を識別できます。

RoBERTaアーキテクチャに基づくインドネシア語感情分析モデルで、テキストの感情傾向を識別できます。

HuggingPicsによって生成された画像分類モデルで、異なる犬種を識別するために特化しています。

DistilBERTに基づく感情分析モデルで、感情データセットでファインチューニングを行い、正解率は91.65%に達します。

bert-base-casedをベースに微調整した命名エンティティ認識（NER）モデルで、評価セットでのF1値は0.6868に達します。

IndoBERTは、インドネシア語に特化して最適化されたBERTモデルで、複数のインドネシア語NLPタスクで優れた性能を発揮します。

このモデルは、DistilBERTをベースにclinc_oosデータセットで微調整されたテキスト分類モデルで、主に意図識別タスクに使用されます。

distilroberta-baseを微調整したタイトル党検出モデルで、正解率は99.63%に達します。

DistilBERTベースの短信スパムメール検出モデルで、sms_spamデータセットで微調整され、正解率は99.21%に達します。

facebook/wav2vec2-xls-r-300mをベースに微調整された成人と子供の音声分類モデルで、正解率は94.04%に達します。

これはAutoNLPを基に訓練された多クラス分類モデルで、ツイートの感情分析に特化しています。

bert-base-uncasedをベースに微調整されたDistilBERTモデルで、主にテキスト分類タスクに使用されます。

bert-base-uncasedをベースに微調整された感情分析モデルで、ツイートの感情分類に使用されます。

GoogleのViT基礎モデルをもとに、猫と犬の分類データセットで微調整したビジュアルTransformerモデルで、正解率は98.83%に達します。

DistilBERTベースのテキスト感情分類モデルで、emotionデータセットで微調整され、正解率は92.6%に達します。

これは、双方向LSTMアーキテクチャを使用してIMDB映画レビューの感情分析を行うディープラーニングモデルです。

distilbert-base-uncasedをベースに微調整されたテキスト分類モデルで、評価セットでの正解率は78.9%に達します。

PyTorchをベースにした画像分類モデルで、様々な犬種を正確に識別できます。

ALBERTアーキテクチャに基づく軽量級感情分析モデルで、Twitter感情データセットで微調整されています。

このモデルは、asapp/sew-mid-100kをsuperbデータセットで微調整したバージョンで、主にキーワード識別タスクに使用されます。

このモデルはBioBERTをベースに微調整されたテキスト分類モデルで、医学テキスト分類タスクで優れた性能を発揮します。