Fake News Classification Distilbert Fine Tuned

🚀 虛假新聞分類DistilBERT微調模型

本模型是基於distilbert-base-uncased在未知數據集上進行微調的版本。它在評估集上取得了如下效果，能夠有效對虛假新聞進行分類，為信息真實性的判斷提供了有力支持。

🚀 快速開始

本模型是distilbert-base-uncased在未知數據集上的微調版本。它在評估集上取得了以下結果：

✨ 主要特性

• 模型架構清晰：採用TFDistilBertForSequenceClassification作為基礎模型，有2個標籤，基於TensorFlow和Hugging Face Transformers框架構建。
• 訓練配置明確：使用Adam優化器，學習率為0.001，損失函數為Sparse Categorical Crossentropy，訓練3個輪次，批次大小為8。
• 性能表現優異：微調後，訓練準確率約為99.5%，驗證準確率約為99.8%，測試準確率約為99.7%。

📚 詳細文檔

模型架構

訓練配置

• 優化器：Adam
• 學習率：0.001
• 損失函數：Sparse Categorical Crossentropy
• 輪次：3
• 批次大小：8
• 數據劃分：
  • 數據集從Kaggle的虛假新聞檢測文件（“True.csv”和“Fake.csv”）中加載。
  • （注意：筆記本內部處理了訓練/驗證/測試集的劃分。）

性能指標

微調後，模型在評估時取得了以下結果（訓練期間記錄）：

• 訓練準確率：~99.5%
• 驗證準確率：~99.8%
• 測試準確率：~99.7%

訓練超參數

訓練期間使用了以下超參數：

• 優化器：{'name': 'Adam', 'weight_decay': None, 'clipnorm': None, 'global_clipnorm': None, 'clipvalue': None, 'use_ema': False, 'ema_momentum': 0.99, 'ema_overwrite_frequency': None, 'jit_compile': True, 'is_legacy_optimizer': False, 'learning_rate': 0.001, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False}
• 訓練精度：float32

框架版本

• Transformers 4.48.3
• TensorFlow 2.18.0
• Tokenizers 0.21.0

📄 許可證

本項目採用Apache-2.0許可證。