roberta-large-ner-ghtk-gam-add-3label-new-data-3090-19Sep-1

This model is a fine-tuned version of Kudod/roberta-large-ner-ghtk-gam-7-label-new-data-3090-13Sep-1 on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.3288
• Hiều cao khách hàng: {'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}
• Hất tóc: {'precision': 0.5757575757575758, 'recall': 0.7037037037037037, 'f1': 0.6333333333333334, 'number': 27}
• Oại da: {'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}
• Àu da: {'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}
• Áng khuôn mặt: {'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}
• Áng người: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}
• Ân nặng khách hàng: {'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}
• Ật độ tóc: {'precision': 0.9375, 'recall': 1.0, 'f1': 0.967741935483871, 'number': 15}
• Ặc điểm khác của da: {'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}
• Ộ dài tóc: {'precision': 0.6190476190476191, 'recall': 0.7222222222222222, 'f1': 0.6666666666666666, 'number': 18}
• Overall Precision: 0.8112
• Overall Recall: 0.8253
• Overall F1: 0.8182
• Overall Accuracy: 0.9584

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: 2.5e-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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Hiều cao khách hàng	Hất tóc	Oại da	Àu da	Áng khuôn mặt	Áng người	Ân nặng khách hàng	Ật độ tóc	Ặc điểm khác của da	Ộ dài tóc	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
No log	1.0	56	0.2688	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.46875, 'recall': 0.5555555555555556, 'f1': 0.5084745762711864, 'number': 27}	{'precision': 0.8260869565217391, 'recall': 0.8260869565217391, 'f1': 0.8260869565217391, 'number': 23}	{'precision': 0.6216216216216216, 'recall': 0.6052631578947368, 'f1': 0.6133333333333333, 'number': 38}	{'precision': 0.7857142857142857, 'recall': 0.6875, 'f1': 0.7333333333333334, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.84375, 'recall': 0.8709677419354839, 'f1': 0.8571428571428571, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.6, 'recall': 0.75, 'f1': 0.6666666666666665, 'number': 28}	{'precision': 0.5384615384615384, 'recall': 0.7777777777777778, 'f1': 0.6363636363636364, 'number': 18}	0.7052	0.7729	0.7375	0.9297
No log	2.0	112	0.2991	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5, 'recall': 0.48148148148148145, 'f1': 0.49056603773584906, 'number': 27}	{'precision': 0.7727272727272727, 'recall': 0.7391304347826086, 'f1': 0.7555555555555555, 'number': 23}	{'precision': 0.7241379310344828, 'recall': 0.5526315789473685, 'f1': 0.6268656716417911, 'number': 38}	{'precision': 0.8125, 'recall': 0.8125, 'f1': 0.8125, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.8571428571428571, 'recall': 0.8, 'f1': 0.8275862068965518, 'number': 15}	{'precision': 0.5161290322580645, 'recall': 0.5714285714285714, 'f1': 0.5423728813559322, 'number': 28}	{'precision': 0.56, 'recall': 0.7777777777777778, 'f1': 0.6511627906976745, 'number': 18}	0.7293	0.7293	0.7293	0.9346
No log	3.0	168	0.3144	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5483870967741935, 'recall': 0.6296296296296297, 'f1': 0.5862068965517241, 'number': 27}	{'precision': 0.8095238095238095, 'recall': 0.7391304347826086, 'f1': 0.7727272727272727, 'number': 23}	{'precision': 0.7, 'recall': 0.5526315789473685, 'f1': 0.6176470588235295, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.6666666666666666, 'recall': 0.7142857142857143, 'f1': 0.689655172413793, 'number': 28}	{'precision': 0.5652173913043478, 'recall': 0.7222222222222222, 'f1': 0.6341463414634146, 'number': 18}	0.7585	0.7817	0.7699	0.9384
No log	4.0	224	0.3667	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5666666666666667, 'recall': 0.6296296296296297, 'f1': 0.5964912280701755, 'number': 27}	{'precision': 0.8181818181818182, 'recall': 0.782608695652174, 'f1': 0.8, 'number': 23}	{'precision': 0.7666666666666667, 'recall': 0.6052631578947368, 'f1': 0.676470588235294, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.75, 'recall': 0.8, 'f1': 0.7741935483870969, 'number': 15}	{'precision': 0.65625, 'recall': 0.75, 'f1': 0.7, 'number': 28}	{'precision': 0.5909090909090909, 'recall': 0.7222222222222222, 'f1': 0.65, 'number': 18}	0.7637	0.7904	0.7768	0.9411
No log	5.0	280	0.3243	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5666666666666667, 'recall': 0.6296296296296297, 'f1': 0.5964912280701755, 'number': 27}	{'precision': 0.8095238095238095, 'recall': 0.7391304347826086, 'f1': 0.7727272727272727, 'number': 23}	{'precision': 0.7666666666666667, 'recall': 0.6052631578947368, 'f1': 0.676470588235294, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.75, 'recall': 0.8, 'f1': 0.7741935483870969, 'number': 15}	{'precision': 0.6875, 'recall': 0.7857142857142857, 'f1': 0.7333333333333334, 'number': 28}	{'precision': 0.5909090909090909, 'recall': 0.7222222222222222, 'f1': 0.65, 'number': 18}	0.7660	0.7860	0.7759	0.9449
No log	6.0	336	0.3534	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5151515151515151, 'recall': 0.6296296296296297, 'f1': 0.5666666666666667, 'number': 27}	{'precision': 0.8181818181818182, 'recall': 0.782608695652174, 'f1': 0.8, 'number': 23}	{'precision': 0.5833333333333334, 'recall': 0.5526315789473685, 'f1': 0.5675675675675677, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.8666666666666667, 'recall': 0.8666666666666667, 'f1': 0.8666666666666667, 'number': 15}	{'precision': 0.6285714285714286, 'recall': 0.7857142857142857, 'f1': 0.6984126984126985, 'number': 28}	{'precision': 0.52, 'recall': 0.7222222222222222, 'f1': 0.6046511627906976, 'number': 18}	0.724	0.7904	0.7557	0.9405
No log	7.0	392	0.3807	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5, 'recall': 0.5925925925925926, 'f1': 0.5423728813559322, 'number': 27}	{'precision': 0.7727272727272727, 'recall': 0.7391304347826086, 'f1': 0.7555555555555555, 'number': 23}	{'precision': 0.7333333333333333, 'recall': 0.5789473684210527, 'f1': 0.6470588235294117, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9333333333333333, 'recall': 0.9032258064516129, 'f1': 0.9180327868852459, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.7096774193548387, 'recall': 0.7857142857142857, 'f1': 0.7457627118644068, 'number': 28}	{'precision': 0.5652173913043478, 'recall': 0.7222222222222222, 'f1': 0.6341463414634146, 'number': 18}	0.7573	0.7904	0.7735	0.9422
No log	8.0	448	0.3430	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5151515151515151, 'recall': 0.6296296296296297, 'f1': 0.5666666666666667, 'number': 27}	{'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}	{'precision': 0.6774193548387096, 'recall': 0.5526315789473685, 'f1': 0.6086956521739131, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}	{'precision': 0.5652173913043478, 'recall': 0.7222222222222222, 'f1': 0.6341463414634146, 'number': 18}	0.7764	0.8035	0.7897	0.9497
0.0905	9.0	504	0.3254	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.5454545454545454, 'recall': 0.6666666666666666, 'f1': 0.6, 'number': 27}	{'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}	{'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.9375, 'recall': 1.0, 'f1': 0.967741935483871, 'number': 15}	{'precision': 0.7931034482758621, 'recall': 0.8214285714285714, 'f1': 0.8070175438596492, 'number': 28}	{'precision': 0.6190476190476191, 'recall': 0.7222222222222222, 'f1': 0.6666666666666666, 'number': 18}	0.8103	0.8210	0.8156	0.9584
0.0905	10.0	560	0.3288	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.5757575757575758, 'recall': 0.7037037037037037, 'f1': 0.6333333333333334, 'number': 27}	{'precision': 0.95, 'recall': 0.8260869565217391, 'f1': 0.8837209302325583, 'number': 23}	{'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}	{'precision': 0.8333333333333334, 'recall': 0.9375, 'f1': 0.8823529411764706, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.9375, 'recall': 1.0, 'f1': 0.967741935483871, 'number': 15}	{'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}	{'precision': 0.6190476190476191, 'recall': 0.7222222222222222, 'f1': 0.6666666666666666, 'number': 18}	0.8112	0.8253	0.8182	0.9584

Framework versions

• Transformers 4.44.0
• Pytorch 2.3.1+cu121
• Datasets 2.19.1
• Tokenizers 0.19.1