File size: 3,022 Bytes
5a91d4e c50a3b2 5a91d4e c50a3b2 5a91d4e c50a3b2 5a91d4e c50a3b2 5a91d4e 1e72651 c50a3b2 5a91d4e 0996689 5a91d4e 0996689 5a91d4e 0996689 5a91d4e c50a3b2 5a91d4e c50a3b2 5a91d4e c50a3b2 5a91d4e c50a3b2 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 |
---
license: apache-2.0
tags:
- generated_from_trainer
datasets:
- conll2002
metrics:
- precision
- recall
- f1
- accuracy
model-index:
- name: roberta-base-bne-capitel-ner
results:
- task:
name: Token Classification
type: token-classification
dataset:
name: conll2002
type: conll2002
config: es
split: validation
args: es
metrics:
- name: Precision
type: precision
value: 0.8637694213015087
- name: Recall
type: recall
value: 0.8814338235294118
- name: F1
type: f1
value: 0.8725122256340272
- name: Accuracy
type: accuracy
value: 0.9780298635072827
---
<!-- 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. -->
# roberta-base-bne-capitel-ner
Este modelo es un finetuning de [BSC-LT/roberta-base-bne-capitel-ner](https://huggingface.co/BSC-LT/roberta-base-bne-capitel-ner) sobre el dataset conll2002.
Este modelo logra los siguientes resultados sobre el conjunto de testeo:
- Loss: 0.1137
- Precision: 0.8638
- Recall: 0.8814
- F1: 0.8725
- Accuracy: 0.9780
## Model description
## Intended uses & limitations
CoNLL2002 es el conjunto de datos español de la Tarea Compartida CoNLL-2002 (Tjong Kim Sang, 2002). El conjunto de datos está anotado con cuatro tipos de entidades nombradas (personas, ubicaciones, organizaciones y otras entidades diversas) formateadas en el formato estándar Beginning-Inside-Outside (BIO). El corpus consta de 8.324 sentencias de tren con 19.400 entidades nombradas,
1.916 sentencias de desarrollo con 4.568 entidades nombradas y 1.518 sentencias de prueba con 3.644 entidades nombradas.
## Training and evaluation data
El modelo fue entrenado con una GPU 3080 TI de 10 Gz a 5 épocas y con un batch-seize de 8 y evaluado con F1-score por cada una de las épocas.
## Training procedure
### Training hyperparameters
The following hyperparameters were used during training:
- learning_rate: 2e-05
- train_batch_size: 8
- 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 | Precision | Recall | F1 | Accuracy |
|:-------------:|:-----:|:----:|:---------------:|:---------:|:------:|:------:|:--------:|
| 0.0041 | 1.0 | 1041 | 0.1137 | 0.8638 | 0.8814 | 0.8725 | 0.9780 |
| 0.004 | 2.0 | 2082 | 0.1137 | 0.8638 | 0.8814 | 0.8725 | 0.9780 |
| 0.0039 | 3.0 | 3123 | 0.1137 | 0.8638 | 0.8814 | 0.8725 | 0.9780 |
| 0.003 | 4.0 | 4164 | 0.1137 | 0.8638 | 0.8814 | 0.8725 | 0.9780 |
| 0.0032 | 5.0 | 5205 | 0.1137 | 0.8638 | 0.8814 | 0.8725 | 0.9780 |
### Framework versions
- Transformers 4.30.0
- Pytorch 2.0.1+cu117
- Datasets 2.14.4
- Tokenizers 0.13.3
|