许可证：apache-2.0
数据集：

• BI55/MedText
  语言：
• 英语
  评估指标：
• 准确率
• F1值
  基础模型：
• google-bert/bert-base-uncased
  任务标签：文本分类
  库名称：transformers
  标签：
• 医疗
• 症状检查
• 自然语言处理
• 健康护理

AI驱动的症状检查器 🏥🤖

该模型基于用户报告的症状预测潜在的医疗状况。使用BERT构建并在MedText数据集上微调，帮助用户获取初步症状分析。

🔍 模型详情

• 模型类型： 文本分类
• 基础模型： BERT (bert-base-uncased)
• 数据集： MedText（1400例医疗案例）
• 评估指标： 准确率：96.5%，F1分数：95.1%
• 用途： 辅助用户根据症状识别可能的疾病
• 局限性： 不能替代专业医疗诊断

📖 使用示例

from transformers import pipeline

model = pipeline("text-classification", model="Lech-Iyoko/bert-symptom-checker")
result = model("我有严重的头痛和恶心。")
print(result)

## 📌 局限性与伦理考量  
- 该模型不可用于医疗诊断。请务必咨询专业医疗人员。  

## 📝 训练超参数  
- 预处理：小写转换、分词、停用词去除  
- 训练框架：Hugging Face transformers  
- 训练模式：fp32（全精度训练以确保稳定性）  
- 批量大小：16  
- 学习率：3e-5  
- 训练轮次：5  
- 优化器：AdamW  
- 调度器：带预热的线性调度  

## ⏱ 速度、大小与时间  
- 模型检查点大小：4.5GB  
- 训练时长：Google Colab上约3-4小时  
- 吞吐量：每分钟1200个样本  

## 🧪 评估  
- 测试数据、因素与指标  
- 测试数据  
- 数据集：MedText（1400个样本）  
- 数据集类型：医疗症状描述→疾病预测  

## 数据划分：  
- 训练集：80%（1120例）  
- 测试集：20%（280例）  

## 评估指标：  
- 准确率：96.5%（衡量整体正确性）  
- F1分数：95.1%（精确率与召回率的调和平均数）  
- 精确率：94.7%（预测正确的疾病占所有预测的比例）  
- 召回率：95.5%（预测正确的疾病占所有实际疾病的比例）  

## 📊 结果  
- 指标        得分  
- 准确率      96.5%  
- F1分数      95.1%  
- 精确率      94.7%  
- 召回率      95.5%  

## 总结  
- 优势：高召回率确保大多数疾病能被正确识别。  
- 不足：由于数据集限制，模型可能对罕见疾病表现不佳。  

## ⚙️ 模型架构与目标  
- 架构：基于BERT（bert-base-uncased）微调的医疗文本分类模型。  
- 目标：根据患者症状描述预测潜在疾病或结果。  

💻 计算基础设施  
硬件  
- 训练：Google Colab（NVIDIA T4 GPU，16GB内存）  
- 推理：Hugging Face Inference API（优化支持CPU/GPU）  

软件  
- Python版本：3.8  
- 深度学习框架：PyTorch（transformers库）  
- 分词器：BERT WordPiece分词器  
- 预处理库：nltk、spacy、textacy