bert-base-uncased-amazon_polarity開源文本分類模型 - 精準分析亞馬遜商品評論情感

首頁

Bert Base Uncased Amazon Polarity

由fabriceyhc開發

基於BERT基礎模型在Amazon商品評論情感分析數據集上微調的文本分類模型，準確率達94.65%

文本分類

Transformers

開源協議:Apache-2.0 #電商評論情感分析 #高準確率文本分類 #BERT微調模型

下載量 339

發布時間 : 3/2/2022

模型概述

該模型是基於bert-base-uncased在amazon_polarity數據集上微調的版本，專門用於商品評論的情感分析（正面/負面分類）任務。

模型特點

高準確率

在Amazon商品評論測試集上達到94.65%的分類準確率

全面評估指標

提供準確率、精確率、召回率、F1分數、AUC等多維度評估結果

穩定訓練過程

訓練過程顯示模型性能隨訓練步數穩定提升，最終收斂良好

模型能力

文本情感分析

商品評論分類

二分類任務處理

使用案例

電商分析

商品評論情感分析

自動判斷Amazon商品評論的情感傾向（正面/負面）

準確率94.65%

質量監控

產品問題監測

通過負面評論識別可能存在質量問題的產品

🚀 bert-base-uncased-amazon_polarity

本模型是 bert-base-uncased 在 amazon_polarity 數據集上的微調版本。它在評估集上取得了以下結果：

損失率：0.2945
準確率：0.9465

🚀 快速開始

此模型可用於文本分類任務，尤其適用於處理 amazon_polarity 數據集相關的文本分類問題。

📚 詳細文檔

模型描述

該模型基於 bert-base-uncased 進行微調，以適應 amazon_polarity 數據集的文本分類需求。

預期用途與限制

文檔中未提供相關詳細信息。

訓練和評估數據

文檔中未提供相關詳細信息。

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

學習率：5e-05
訓練批次大小：1
評估批次大小：8
隨機種子：42
優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
學習率調度器類型：線性
學習率調度器熱身步數：1782000
訓練步數：17820000

訓練結果

訓練損失	輪數	步數	驗證損失	準確率
0.7155	0.0	2000	0.7060	0.4622
0.7054	0.0	4000	0.6925	0.5165
0.6842	0.0	6000	0.6653	0.6116
0.6375	0.0	8000	0.5721	0.7909
0.4671	0.0	10000	0.3238	0.8770
0.3403	0.0	12000	0.3692	0.8861
0.4162	0.0	14000	0.4560	0.8908
0.4728	0.0	16000	0.5071	0.8980
0.5111	0.01	18000	0.5204	0.9015
0.4792	0.01	20000	0.5193	0.9076
0.544	0.01	22000	0.4835	0.9133
0.4745	0.01	24000	0.4689	0.9170
0.4403	0.01	26000	0.4778	0.9177
0.4405	0.01	28000	0.4754	0.9163
0.4375	0.01	30000	0.4808	0.9175
0.4628	0.01	32000	0.4340	0.9244
0.4488	0.01	34000	0.4162	0.9265
0.4608	0.01	36000	0.4031	0.9271
0.4478	0.01	38000	0.4502	0.9253
0.4237	0.01	40000	0.4087	0.9279
0.4601	0.01	42000	0.4133	0.9269
0.4153	0.01	44000	0.4230	0.9306
0.4096	0.01	46000	0.4108	0.9301
0.4348	0.01	48000	0.4138	0.9309
0.3787	0.01	50000	0.4066	0.9324
0.4172	0.01	52000	0.4812	0.9206
0.3897	0.02	54000	0.4013	0.9325
0.3787	0.02	56000	0.3837	0.9344
0.4253	0.02	58000	0.3925	0.9347
0.3959	0.02	60000	0.3907	0.9353
0.4402	0.02	62000	0.3708	0.9341
0.4115	0.02	64000	0.3477	0.9361
0.3876	0.02	66000	0.3634	0.9373
0.4286	0.02	68000	0.3778	0.9378
0.422	0.02	70000	0.3540	0.9361
0.3732	0.02	72000	0.3853	0.9378
0.3641	0.02	74000	0.3951	0.9386
0.3701	0.02	76000	0.3582	0.9388
0.4498	0.02	78000	0.3268	0.9375
0.3587	0.02	80000	0.3825	0.9401
0.4474	0.02	82000	0.3155	0.9391
0.3598	0.02	84000	0.3666	0.9388
0.389	0.02	86000	0.3745	0.9377
0.3625	0.02	88000	0.3776	0.9387
0.3511	0.03	90000	0.4275	0.9336
0.3428	0.03	92000	0.4301	0.9336
0.4042	0.03	94000	0.3547	0.9359
0.3583	0.03	96000	0.3763	0.9396
0.3887	0.03	98000	0.3213	0.9412
0.3915	0.03	100000	0.3557	0.9409
0.3378	0.03	102000	0.3627	0.9418
0.349	0.03	104000	0.3614	0.9402
0.3596	0.03	106000	0.3834	0.9381
0.3519	0.03	108000	0.3560	0.9421
0.3598	0.03	110000	0.3485	0.9419
0.3642	0.03	112000	0.3754	0.9395
0.3477	0.03	114000	0.3634	0.9426
0.4202	0.03	116000	0.3071	0.9427
0.3656	0.03	118000	0.3155	0.9441
0.3709	0.03	120000	0.2923	0.9433
0.374	0.03	122000	0.3272	0.9441
0.3142	0.03	124000	0.3348	0.9444
0.3452	0.04	126000	0.3603	0.9436
0.3365	0.04	128000	0.3339	0.9434
0.3353	0.04	130000	0.3471	0.9450
0.343	0.04	132000	0.3508	0.9418
0.3174	0.04	134000	0.3753	0.9436
0.3009	0.04	136000	0.3687	0.9422
0.3785	0.04	138000	0.3818	0.9396
0.3199	0.04	140000	0.3291	0.9438
0.4049	0.04	142000	0.3372	0.9454
0.3435	0.04	144000	0.3315	0.9459
0.3814	0.04	146000	0.3462	0.9401
0.359	0.04	148000	0.3981	0.9361
0.3552	0.04	150000	0.3226	0.9469
0.345	0.04	152000	0.3731	0.9384
0.3228	0.04	154000	0.2956	0.9471
0.3637	0.04	156000	0.2869	0.9477
0.349	0.04	158000	0.3331	0.9430
0.3374	0.04	160000	0.4159	0.9340
0.3718	0.05	162000	0.3241	0.9459
0.315	0.05	164000	0.3544	0.9391
0.3215	0.05	166000	0.3311	0.9451
0.3464	0.05	168000	0.3682	0.9453
0.3495	0.05	170000	0.3193	0.9469
0.305	0.05	172000	0.4132	0.9389
0.3479	0.05	174000	0.3465	0.947
0.3537	0.05	176000	0.3277	0.9449