bank-transactions-statements-classification開源分類器 - 免費部署實現法語銀行交易流水精準分類

首頁

Bank Transactions Statements Classification

由moctarsmal開發

基於Flaubert小型法語模型微調的銀行交易流水分類器

文本分類

Transformers

開源協議:MIT #金融文本分類 #法語預訓練微調 #交易流水分析

下載量 85

發布時間 : 10/11/2023

模型概述

該模型專門用於對銀行交易流水進行分類，基於Flaubert小型法語模型進行微調，在評估集上達到76.83%的準確率。

模型特點

高準確率分類

在銀行交易流水分類任務上達到76.83%的準確率

法語優化

基於法語預訓練模型Flaubert進行微調

輕量級模型

採用小型模型架構，適合資源有限的環境

模型能力

銀行交易分類

法語文本處理

金融文本分析

使用案例

銀行業務

交易流水自動分類

自動將銀行交易流水分類到預設類別

準確率76.83%

財務數據分析

支持財務數據的自動化分類和分析

🚀 銀行交易報表分類模型

本模型是一個用於銀行交易報表分類的模型，它基於 flaubert/flaubert_small_cased 進行微調，在評估集上取得了較好的分類效果，能有效處理銀行交易報表的分類任務。

🚀 快速開始

本部分暫未提供相關內容，若有需要可進一步補充。

📚 詳細文檔

模型概述

該模型是 flaubert/flaubert_small_cased 在無特定數據集上的微調版本。在評估集上取得了以下結果：

損失值：1.0458
準確率：0.7683
F1 宏值：0.7945
F1 加權值：0.7635

訓練和評估數據

此部分更多信息待補充。

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：2e - 05
訓練批次大小：32
評估批次大小：32
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
訓練輪數：15

訓練結果

訓練損失	輪數	步數	驗證損失	準確率	F1 宏值	F1 加權值
無記錄	0.29	50	3.6955	0.1012	0.0238	0.0880
無記錄	0.58	100	3.2965	0.2150	0.0569	0.1598
無記錄	0.87	150	3.1122	0.2530	0.0833	0.1889
無記錄	1.16	200	2.6838	0.3622	0.1800	0.3051
無記錄	1.45	250	2.5128	0.3808	0.1938	0.3139
無記錄	1.74	300	2.1573	0.4913	0.3241	0.4522
無記錄	2.03	350	2.0208	0.5220	0.3910	0.4832
無記錄	2.33	400	2.0454	0.5053	0.4090	0.4613
無記錄	2.62	450	1.7601	0.5599	0.4682	0.5303
3.1338	2.91	500	1.6837	0.5965	0.5489	0.5736
3.1338	3.2	550	1.6337	0.5885	0.5744	0.5609
3.1338	3.49	600	1.4553	0.6491	0.6219	0.6322
3.1338	3.78	650	1.4483	0.6531	0.6441	0.6345
3.1338	4.07	700	1.4108	0.6625	0.6810	0.6522
3.1338	4.36	750	1.3241	0.6924	0.6999	0.6769
3.1338	4.65	800	1.3254	0.6824	0.6960	0.6703
3.1338	4.94	850	1.3349	0.6937	0.6952	0.6759
3.1338	5.23	900	1.2264	0.7057	0.7157	0.6931
3.1338	5.52	950	1.3012	0.6891	0.7061	0.6748
1.6259	5.81	1000	1.2756	0.7071	0.7224	0.6925
1.6259	6.1	1050	1.1432	0.7317	0.7440	0.7267
1.6259	6.4	1100	1.2014	0.7290	0.7434	0.7161
1.6259	6.69	1150	1.1029	0.7483	0.7656	0.7367
1.6259	6.98	1200	1.1643	0.7310	0.7470	0.7227
1.6259	7.27	1250	1.1112	0.7477	0.7561	0.7371
1.6259	7.56	1300	1.1662	0.7350	0.7668	0.7254
1.6259	7.85	1350	1.0756	0.7577	0.7823	0.7530
1.6259	8.14	1400	1.1390	0.7403	0.7657	0.7318
1.6259	8.43	1450	1.1555	0.7437	0.7637	0.7377
1.092	8.72	1500	1.1086	0.7437	0.7686	0.7384
1.092	9.01	1550	1.0789	0.7510	0.7780	0.7427
1.092	9.3	1600	1.0613	0.7543	0.7823	0.7492
1.092	9.59	1650	1.0750	0.7477	0.7701	0.7382
1.092	9.88	1700	1.1412	0.7423	0.7772	0.7349
1.092	10.17	1750	1.0580	0.7617	0.7918	0.7549
1.092	10.47	1800	1.0667	0.7670	0.7856	0.7580
1.092	10.76	1850	1.1344	0.7403	0.7757	0.7332
1.092	11.05	1900	1.0808	0.7603	0.7944	0.7571
1.092	11.34	1950	1.0367	0.7690	0.7932	0.7655
0.9029	11.63	2000	1.0921	0.7577	0.7861	0.7504
0.9029	11.92	2050	1.0833	0.7603	0.7912	0.7541
0.9029	12.21	2100	1.0523	0.7716	0.7968	0.7662
0.9029	12.5	2150	1.0467	0.7683	0.7939	0.7614
0.9029	12.79	2200	1.0515	0.7703	0.7987	0.7667
0.9029	13.08	2250	1.0604	0.7696	0.8020	0.7654
0.9029	13.37	2300	1.0900	0.7716	0.8002	0.7663
0.9029	13.66	2350	1.0348	0.7743	0.8009	0.7686
0.9029	13.95	2400	1.0495	0.7656	0.7929	0.7610
0.9029	14.24	2450	1.0411	0.7670	0.7956	0.7624
0.7924	14.53	2500	1.0458	0.7683	0.7945	0.7635
0.7924	14.83	2550	1.0401	0.7696	0.7982	0.7649