Roberta Base Stress Classification

🚀 roberta-base_stress_classification

本模型是基於100000名員工在Glassdoor數據集上的評論，對 roberta-base 進行微調後的版本。它能夠對文本進行壓力分類，判斷文本所描述的情境是否會讓人產生壓力，在實際應用中具有較高的準確性和實用性。

🚀 快速開始

本模型是 roberta-base 在Glassdoor數據集上的微調版本，該數據集基於100000名員工的評論。它在評估集上取得了以下成績：

• 損失率：0.1800
• 準確率：0.9647
• F1值：0.9647
• 精確率：0.9647
• 召回率：0.9647

✨ 主要特性

• 多指標評估：使用準確率、F1值、精確率和召回率等多個指標進行評估，全面衡量模型性能。
• 數據分類明確：訓練數據清晰地分為“無壓力”和“有壓力”兩類。
• 良好的性能表現：在評估集和訓練過程中都展現出了較高的準確率和F1值。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification
from transformers import pipeline

tokenizer = AutoTokenizer.from_pretrained("dstefa/roberta-base_topic_classification_nyt_news")
model = AutoModelForSequenceClassification.from_pretrained("dstefa/roberta-base_topic_classification_nyt_news")
pipe = pipeline("text-classification", model=model, tokenizer=tokenizer, device=0)

text = "They also caused so much stress because some leaders valued optics over output."
pipe(text)

[{'label': 'Stressed', 'score': 0.9959163069725037}]

📚 詳細文檔

訓練數據

訓練數據分類如下：

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：8
• 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：500
• 訓練輪數：5

訓練結果

模型性能

框架版本

• Transformers 4.32.1
• Pytorch 2.1.0+cu121
• Datasets 2.12.0
• Tokenizers 0.13.2

🔧 技術細節

本模型基於RoBERTa-base進行微調，在Glassdoor數據集上進行訓練。通過調整一系列超參數，如學習率、批次大小等，使得模型在壓力分類任務上取得了較好的效果。在訓練過程中，使用了Adam優化器和線性學習率調度器，並設置了熱身步數來穩定訓練過程。

📄 許可證

本項目採用MIT許可證。