CAP Coded US Congressional Bills

🚀 CAP_coded_US_Congressional_bills

本模型用於預測美國國會法案的議題類別，基於約25萬個1950 - 2015年的美國國會法案進行訓練，具有較高的預測準確性和實用性。

🚀 快速開始

本模型可預測美國國會法案的議題類別。它基於約25萬個1950 - 2015年的美國國會法案進行訓練，議題編碼方案遵循比較議程項目（Comparative Agenda Project）：https://www.comparativeagendas.net/pages/master-codebook ，並且該模型區分大小寫。

示例

• 示例1："A bill to prohibt discrimination in employment because of race, color, religion, national origin, or ancestry"
• 示例2："A bill to require the promulgation of regulations to improve aviation safety in adverse weather conditions, and for other purposes."

✨ 主要特性

• 數據豐富：使用約25萬個1950 - 2015年的美國國會法案進行訓練。
• 編碼規範：議題編碼方案遵循比較議程項目。
• 大小寫敏感：模型區分大小寫。

📚 詳細文檔

訓練指標

• 訓練損失（Train Loss）：0.1318
• 訓練稀疏分類準確率（Train Sparse Categorical Accuracy）：0.9268
• 驗證損失（Validation Loss）：0.2439
• 驗證稀疏分類準確率（Validation Sparse Categorical Accuracy）：0.9161

訓練超參數

優化器（optimizer）：{'name': 'Adam', 'learning_rate': 5e-05, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False} 訓練精度（training_precision）：float32

框架版本

• Transformers 4.19.3
• TensorFlow 2.8.2
• Tokenizers 0.12.1

🔧 技術細節

模型訓練過程中使用了特定的優化器和訓練精度，以確保模型的準確性和穩定性。優化器採用Adam，學習率為5e-05，訓練精度為float32。同時，模型在約25萬個美國國會法案上進行訓練，經過多輪迭代，在訓練集和驗證集上都取得了較好的效果。訓練損失和驗證損失分別為0.1318和0.2439，訓練稀疏分類準確率和驗證稀疏分類準確率分別為0.9268和0.9161。

📄 許可證

文檔未提及相關許可證信息。

💡 使用建議

若對模型和訓練數據有任何疑問，可在Twitter上私信@sachary_ 。