Hugging Face's logo

pig4431
/
YELP_roBERTa_5E

Text Classification
Transformers
PyTorch
roberta
generated_from_trainer
Eval Results
Inference Endpoints
Model card Files Community
2
YELP_roBERTa_5E / README.md
pig4431's picture
pig4431
update model card README.md
a30823b
preview code
|
raw history blame contribute delete
No virus
11.3 kB
metadata
license: mit
tags:
  - generated_from_trainer
datasets:
  - yelp_review_full
metrics:
  - accuracy
model-index:
  - name: YELP_roBERTa_5E
    results:
      - task:
          name: Text Classification
          type: text-classification
        dataset:
          name: yelp_review_full
          type: yelp_review_full
          config: yelp_review_full
          split: train
          args: yelp_review_full
        metrics:
          - name: Accuracy
            type: accuracy
            value: 0.9866666666666667

YELP_roBERTa_5E

This model is a fine-tuned version of roberta-base on the yelp_review_full dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0995
  • Accuracy: 0.9867

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: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5

Training results

Training Loss Epoch Step Validation Loss Accuracy
0.5721 0.03 50 0.3248 0.88
0.2836 0.06 100 0.1190 0.9733
0.1793 0.1 150 0.1707 0.96
0.2196 0.13 200 0.0841 0.9733
0.2102 0.16 250 0.0634 0.9867
0.2197 0.19 300 0.0763 0.98
0.1866 0.22 350 0.0640 0.9867
0.1717 0.26 400 0.0612 0.9867
0.1443 0.29 450 0.0844 0.9733
0.1669 0.32 500 0.1297 0.9667
0.2005 0.35 550 0.0644 0.9867
0.1543 0.38 600 0.0874 0.9867
0.1345 0.42 650 0.1853 0.96
0.1664 0.45 700 0.1157 0.9667
0.1876 0.48 750 0.0474 0.9733
0.111 0.51 800 0.0645 0.98
0.1511 0.54 850 0.0432 0.9933
0.1846 0.58 900 0.0505 0.9867
0.151 0.61 950 0.0452 0.98
0.1338 0.64 1000 0.1007 0.98
0.1175 0.67 1050 0.0747 0.9867
0.1818 0.7 1100 0.0852 0.98
0.1557 0.74 1150 0.0255 0.9933
0.1487 0.77 1200 0.1266 0.9733
0.1315 0.8 1250 0.0593 0.9867
0.1059 0.83 1300 0.0697 0.9867
0.108 0.86 1350 0.0459 0.9933
0.1525 0.9 1400 0.0446 0.9933
0.1185 0.93 1450 0.0528 0.9867
0.1611 0.96 1500 0.0582 0.9867
0.1556 0.99 1550 0.0726 0.98
0.0902 1.02 1600 0.0466 0.9867
0.1535 1.06 1650 0.0850 0.9733
0.0787 1.09 1700 0.0869 0.9867
0.1019 1.12 1750 0.0984 0.98
0.1234 1.15 1800 0.0358 0.9933
0.0884 1.18 1850 0.0621 0.9867
0.0785 1.22 1900 0.0507 0.9867
0.1454 1.25 1950 0.0793 0.98
0.1035 1.28 2000 0.0501 0.9867
0.0579 1.31 2050 0.0935 0.9867
0.1215 1.34 2100 0.0079 1.0
0.0958 1.38 2150 0.0673 0.9867
0.106 1.41 2200 0.0875 0.9867
0.095 1.44 2250 0.0745 0.9867
0.0958 1.47 2300 0.0715 0.9867
0.085 1.5 2350 0.0742 0.9867
0.082 1.54 2400 0.1053 0.9733
0.1202 1.57 2450 0.0711 0.9867
0.1041 1.6 2500 0.0723 0.9867
0.1145 1.63 2550 0.0361 0.9867
0.0909 1.66 2600 0.0868 0.9867
0.1029 1.7 2650 0.0680 0.9867
0.1083 1.73 2700 0.0599 0.9867
0.0871 1.76 2750 0.0452 0.9867
0.1506 1.79 2800 0.0344 0.9933
0.0778 1.82 2850 0.0380 0.9933
0.0982 1.86 2900 0.0349 0.9933
0.1296 1.89 2950 0.0713 0.9867
0.0836 1.92 3000 0.0693 0.9867
0.0699 1.95 3050 0.1023 0.98
0.0631 1.98 3100 0.0852 0.98
0.0724 2.02 3150 0.0835 0.9867
0.0898 2.05 3200 0.0872 0.9867
0.0642 2.08 3250 0.0427 0.9933
0.0524 2.11 3300 0.0731 0.9867
0.0415 2.14 3350 0.0632 0.9867
0.0604 2.18 3400 0.0428 0.9867
0.0701 2.21 3450 0.0671 0.9867
0.0668 2.24 3500 0.0360 0.9933
0.0442 2.27 3550 0.0454 0.9933
0.0677 2.3 3600 0.0517 0.9867
0.0965 2.34 3650 0.0659 0.98
0.0781 2.37 3700 0.0732 0.9867
0.0421 2.4 3750 0.0855 0.9867
0.0674 2.43 3800 0.0813 0.9867
0.0613 2.46 3850 0.0859 0.98
0.0679 2.5 3900 0.0721 0.9867
0.0417 2.53 3950 0.0977 0.9867
0.0616 2.56 4000 0.0789 0.9867
0.0678 2.59 4050 0.0804 0.9867
0.0651 2.62 4100 0.0994 0.98
0.0714 2.66 4150 0.0744 0.98
0.034 2.69 4200 0.0679 0.9867
0.0356 2.72 4250 0.0432 0.9933
0.0813 2.75 4300 0.0483 0.9933
0.052 2.78 4350 0.0689 0.9867
0.0611 2.82 4400 0.0474 0.9867
0.0615 2.85 4450 0.0557 0.9867
0.0569 2.88 4500 0.1056 0.98
0.0352 2.91 4550 0.0443 0.9933
0.0312 2.94 4600 0.1026 0.98
0.0662 2.98 4650 0.0677 0.9867
0.0694 3.01 4700 0.0368 0.9933
0.0144 3.04 4750 0.0647 0.9867
0.0378 3.07 4800 0.0893 0.9867
0.0393 3.1 4850 0.0841 0.9867
0.0598 3.13 4900 0.0594 0.9867
0.0329 3.17 4950 0.0933 0.9867
0.036 3.2 5000 0.0974 0.9867
0.0166 3.23 5050 0.0962 0.9867
0.0189 3.26 5100 0.0827 0.9867
0.0482 3.29 5150 0.0955 0.9867
0.0105 3.33 5200 0.0745 0.9867
0.0447 3.36 5250 0.1038 0.9867
0.0495 3.39 5300 0.0684 0.9867
0.0445 3.42 5350 0.0815 0.9867
0.0006 3.45 5400 0.1012 0.9867
0.0214 3.49 5450 0.0707 0.9867
0.0289 3.52 5500 0.1000 0.9867
0.0304 3.55 5550 0.1069 0.9867
0.0339 3.58 5600 0.1079 0.9867
0.0227 3.61 5650 0.1032 0.9867
0.0626 3.65 5700 0.0978 0.9867
0.04 3.68 5750 0.0965 0.9867
0.0358 3.71 5800 0.1048 0.9867
0.0287 3.74 5850 0.0921 0.9867
0.049 3.77 5900 0.1108 0.98
0.0497 3.81 5950 0.0795 0.9867
0.0047 3.84 6000 0.0979 0.9867
0.0252 3.87 6050 0.1071 0.9867
0.0691 3.9 6100 0.0821 0.9867
0.0419 3.93 6150 0.0896 0.9867
0.0197 3.97 6200 0.0943 0.9867
0.0281 4.0 6250 0.0901 0.9867
0.0118 4.03 6300 0.0950 0.9867
0.0057 4.06 6350 0.1031 0.9867
0.0335 4.09 6400 0.0896 0.9867
0.0095 4.13 6450 0.0966 0.9867
0.05 4.16 6500 0.0977 0.9867
0.0142 4.19 6550 0.1174 0.98
0.018 4.22 6600 0.0963 0.9867
0.0274 4.25 6650 0.0953 0.9867
0.0199 4.29 6700 0.0968 0.9867
0.0171 4.32 6750 0.0963 0.9867
0.0195 4.35 6800 0.0916 0.9867
0.0091 4.38 6850 0.0954 0.9867
0.0115 4.41 6900 0.0974 0.9867
0.0299 4.45 6950 0.0971 0.9867
0.0338 4.48 7000 0.0922 0.9867
0.0107 4.51 7050 0.0964 0.9867
0.0063 4.54 7100 0.0921 0.9867
0.0099 4.57 7150 0.0923 0.9867
0.0101 4.61 7200 0.0971 0.9867
0.0262 4.64 7250 0.1008 0.9867
0.0097 4.67 7300 0.0999 0.9867
0.0302 4.7 7350 0.0980 0.9867
0.0225 4.73 7400 0.0976 0.9867
0.0235 4.77 7450 0.1016 0.9867
0.0106 4.8 7500 0.1034 0.9867
0.0495 4.83 7550 0.1135 0.98
0.0228 4.86 7600 0.1034 0.9867
0.0229 4.89 7650 0.0990 0.9867
0.0206 4.93 7700 0.0993 0.9867
0.0188 4.96 7750 0.0993 0.9867
0.0189 4.99 7800 0.0995 0.9867

Framework versions

  • Transformers 4.24.0
  • Pytorch 1.13.0
  • Datasets 2.3.2
  • Tokenizers 0.13.2