🚀 推特比特幣情感分類
本模型基於 vinai/bertweet-base 進行微調，可用於推特上比特幣相關內容的情感分類，在評估集上有較好的表現。
🚀 快速開始
此模型是 vinai/bertweet-base 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：
- 損失值：1.7032
- 準確率：0.6561
- F1值：0.6572
- 宏F1值：0.6226
- 精確率：0.6630
- 召回率：0.6561
📚 詳細文檔
模型信息
| 屬性 |
詳情 |
| 庫名稱 |
transformers |
| 許可證 |
MIT |
| 基礎模型 |
vinai/bertweet-base |
| 標籤 |
由訓練器生成 |
| 評估指標 |
準確率、F1值、精確率、召回率 |
| 模型名稱 |
twitter-bitcoin-emotion-classification |
訓練過程
訓練超參數
訓練期間使用了以下超參數：
- 學習率：1e-05
- 訓練批次大小：16
- 評估批次大小：16
- 隨機種子：42
- 梯度累積步數：2
- 總訓練批次大小：32
- 優化器：使用 OptimizerNames.ADAMW_TORCH，β值為(0.9, 0.999)，ε值為 1e-08，無額外優化器參數
- 學習率調度器類型：線性
- 學習率調度器預熱比例：0.1
- 訓練輪數：5
- 混合精度訓練：原生自動混合精度（Native AMP）
訓練結果
| 訓練損失 |
輪數 |
步數 |
驗證損失 |
準確率 |
F1值 |
宏F1值 |
精確率 |
召回率 |
| 2.9772 |
0.2092 |
500 |
2.6140 |
0.4598 |
0.3456 |
0.2565 |
0.2855 |
0.4598 |
| 2.0831 |
0.4185 |
1000 |
1.9186 |
0.5043 |
0.4434 |
0.4006 |
0.5917 |
0.5043 |
| 1.7199 |
0.6277 |
1500 |
1.6219 |
0.5694 |
0.5441 |
0.5039 |
0.5912 |
0.5694 |
| 1.56 |
0.8370 |
2000 |
1.4268 |
0.6031 |
0.5922 |
0.5572 |
0.6167 |
0.6031 |
| 1.3383 |
1.0460 |
2500 |
1.3762 |
0.6220 |
0.6180 |
0.5814 |
0.6289 |
0.6220 |
| 1.3473 |
1.2553 |
3000 |
1.3732 |
0.6188 |
0.6132 |
0.5774 |
0.6367 |
0.6188 |
| 1.1643 |
1.4645 |
3500 |
1.4119 |
0.6239 |
0.6247 |
0.5894 |
0.6391 |
0.6239 |
| 1.2617 |
1.6738 |
4000 |
1.3296 |
0.6195 |
0.6219 |
0.5792 |
0.6453 |
0.6195 |
| 1.2549 |
1.8830 |
4500 |
1.3182 |
0.6330 |
0.6351 |
0.5975 |
0.6460 |
0.6330 |
| 0.8836 |
2.0921 |
5000 |
1.4422 |
0.6247 |
0.6298 |
0.6006 |
0.6528 |
0.6247 |
| 0.8652 |
2.3013 |
5500 |
1.4682 |
0.6475 |
0.6488 |
0.6120 |
0.6563 |
0.6475 |
| 0.9502 |
2.5106 |
6000 |
1.5682 |
0.6402 |
0.6438 |
0.6128 |
0.6559 |
0.6402 |
| 0.8769 |
2.7198 |
6500 |
1.5807 |
0.6392 |
0.6435 |
0.6100 |
0.6583 |
0.6392 |
| 0.7853 |
2.9291 |
7000 |
1.5285 |
0.6389 |
0.6403 |
0.6077 |
0.6555 |
0.6389 |
| 0.6828 |
3.1381 |
7500 |
1.6189 |
0.6467 |
0.6499 |
0.6170 |
0.6588 |
0.6467 |
| 0.6566 |
3.3474 |
8000 |
1.4571 |
0.6530 |
0.6519 |
0.6140 |
0.6558 |
0.6530 |
| 0.6767 |
3.5566 |
8500 |
1.6671 |
0.6567 |
0.6585 |
0.6216 |
0.6613 |
0.6567 |
| 0.6806 |
3.7659 |
9000 |
1.5203 |
0.6518 |
0.6542 |
0.6195 |
0.6628 |
0.6518 |
| 0.7289 |
3.9751 |
9500 |
1.5431 |
0.6524 |
0.6568 |
0.6224 |
0.6669 |
0.6524 |
| 0.5355 |
4.1841 |
10000 |
1.6772 |
0.6501 |
0.6528 |
0.6185 |
0.6619 |
0.6501 |
| 0.5352 |
4.3934 |
10500 |
1.7032 |
0.6561 |
0.6572 |
0.6226 |
0.6630 |
0.6561 |
| 0.615 |
4.6026 |
11000 |
1.6694 |
0.6504 |
0.6527 |
0.6175 |
0.6608 |
0.6504 |
| 0.5843 |
4.8119 |
11500 |
1.6443 |
0.6541 |
0.6567 |
0.6213 |
0.6634 |
0.6541 |
框架版本
- Transformers 4.50.3
- Pytorch 2.6.0+cu124
- Datasets 3.5.0
- Tokenizers 0.21.1
📄 許可證
本模型使用 MIT 許可證。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
Transformers 支持多種語言