---
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