<!-- This model card has been generated automatically according to the information the Trainer had access to. You should probably proofread and complete it, then remove this comment. -->
new_model
This model is a fine-tuned version of SCUT-DLVCLab/lilt-roberta-en-base on the None dataset. It achieves the following results on the evaluation set:
- Loss: 0.0200
- Answer: {'precision': 0.16666666666666666, 'recall': 0.16666666666666666, 'f1': 0.16666666666666666, 'number': 6}
- Header: {'precision': 0.1111111111111111, 'recall': 0.2, 'f1': 0.14285714285714285, 'number': 10}
- Question: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9}
- Overall Precision: 0.0769
- Overall Recall: 0.12
- Overall F1: 0.0938
- Overall Accuracy: 0.7246
Model description
More information needed
Intended uses & limitations
More information needed
Training and evaluation data
More information needed
Training procedure
Training hyperparameters
The following hyperparameters were used during training:
- learning_rate: 5e-05
- train_batch_size: 4
- eval_batch_size: 4
- seed: 42
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- training_steps: 2500
Training results
| Training Loss | Epoch | Step | Validation Loss | Answer | Header | Question | Overall Precision | Overall Recall | Overall F1 | Overall Accuracy |
|---|---|---|---|---|---|---|---|---|---|---|
| 0.1674 | 3.08 | 200 | 0.0152 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 6} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9} | 0.0 | 0.0 | 0.0 | 0.6087 |
| 0.0579 | 6.15 | 400 | 0.0141 | {'precision': 0.2222222222222222, 'recall': 0.3333333333333333, 'f1': 0.26666666666666666, 'number': 6} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10} | {'precision': 0.08333333333333333, 'recall': 0.1111111111111111, 'f1': 0.09523809523809525, 'number': 9} | 0.1071 | 0.12 | 0.1132 | 0.6522 |
| 0.0271 | 9.23 | 600 | 0.0121 | {'precision': 0.3333333333333333, 'recall': 0.16666666666666666, 'f1': 0.2222222222222222, 'number': 6} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10} | {'precision': 0.07142857142857142, 'recall': 0.1111111111111111, 'f1': 0.08695652173913043, 'number': 9} | 0.0645 | 0.08 | 0.0714 | 0.6957 |
| 0.0122 | 12.31 | 800 | 0.0115 | {'precision': 0.16666666666666666, 'recall': 0.16666666666666666, 'f1': 0.16666666666666666, 'number': 6} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10} | {'precision': 0.06666666666666667, 'recall': 0.1111111111111111, 'f1': 0.08333333333333334, 'number': 9} | 0.0513 | 0.08 | 0.0625 | 0.7391 |
| 0.0073 | 15.38 | 1000 | 0.0224 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 6} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10} | {'precision': 0.1111111111111111, 'recall': 0.1111111111111111, 'f1': 0.1111111111111111, 'number': 9} | 0.0526 | 0.04 | 0.0455 | 0.6739 |
| 0.0044 | 18.46 | 1200 | 0.0165 | {'precision': 0.25, 'recall': 0.16666666666666666, 'f1': 0.2, 'number': 6} | {'precision': 0.14285714285714285, 'recall': 0.2, 'f1': 0.16666666666666666, 'number': 10} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9} | 0.1 | 0.12 | 0.1091 | 0.7246 |
| 0.0024 | 21.54 | 1400 | 0.0170 | {'precision': 0.2, 'recall': 0.16666666666666666, 'f1': 0.1818181818181818, 'number': 6} | {'precision': 0.1111111111111111, 'recall': 0.2, 'f1': 0.14285714285714285, 'number': 10} | {'precision': 0.058823529411764705, 'recall': 0.1111111111111111, 'f1': 0.07692307692307691, 'number': 9} | 0.1 | 0.16 | 0.1231 | 0.7319 |
| 0.001 | 24.62 | 1600 | 0.0190 | {'precision': 0.4, 'recall': 0.3333333333333333, 'f1': 0.3636363636363636, 'number': 6} | {'precision': 0.13333333333333333, 'recall': 0.2, 'f1': 0.16, 'number': 10} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9} | 0.1212 | 0.16 | 0.1379 | 0.7536 |
| 0.0009 | 27.69 | 1800 | 0.0203 | {'precision': 0.16666666666666666, 'recall': 0.16666666666666666, 'f1': 0.16666666666666666, 'number': 6} | {'precision': 0.16666666666666666, 'recall': 0.3, 'f1': 0.21428571428571427, 'number': 10} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9} | 0.1026 | 0.16 | 0.125 | 0.7101 |
| 0.0006 | 30.77 | 2000 | 0.0210 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 6} | {'precision': 0.05555555555555555, 'recall': 0.1, 'f1': 0.07142857142857142, 'number': 10} | {'precision': 0.0625, 'recall': 0.1111111111111111, 'f1': 0.08, 'number': 9} | 0.0526 | 0.08 | 0.0635 | 0.7174 |
| 0.0005 | 33.85 | 2200 | 0.0194 | {'precision': 0.16666666666666666, 'recall': 0.16666666666666666, 'f1': 0.16666666666666666, 'number': 6} | {'precision': 0.1111111111111111, 'recall': 0.2, 'f1': 0.14285714285714285, 'number': 10} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9} | 0.0769 | 0.12 | 0.0938 | 0.7174 |
| 0.0003 | 36.92 | 2400 | 0.0200 | {'precision': 0.16666666666666666, 'recall': 0.16666666666666666, 'f1': 0.16666666666666666, 'number': 6} | {'precision': 0.1111111111111111, 'recall': 0.2, 'f1': 0.14285714285714285, 'number': 10} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 9} | 0.0769 | 0.12 | 0.0938 | 0.7246 |
Framework versions
- Transformers 4.28.1
- Pytorch 2.1.0.dev20230810
- Datasets 2.14.4
- Tokenizers 0.11.0
