许可证: mit
基础模型: roberta-base
标签:

• 压力
• 分类
• 玻璃门（Glassdoor）
  评估指标:
• 准确率
• F1值
• 精确率
• 召回率

示例输入:

• 文本: "某些领导更重视表面功夫而非实际产出，这带来了巨大压力。"
  示例标题: 压力示例1
• 文本: "工作压力过大。"
  示例标题: 压力示例2
• 文本: "人手不足，大量方案反复修改，不可预测性高，技术条件糟糕。"
  示例标题: 压力示例3
• 文本: "环境友好，工作与生活平衡良好。"
  示例标题: 无压力示例1

模型索引:

• 名称: roberta-base_主题分类_纽约时报新闻
  结果:
  • 任务:
    名称: 文本分类
    类型: 文本分类
    数据集:
    名称: 纽约时报主题
    类型: 新闻
    评估指标:
    - 类型: F1值
    名称: F1
    值: 0.97
    - 类型: 准确率
    名称: 准确率
    值: 0.97
    - 类型: 精确率
    名称: 精确率
    值: 0.97
    - 类型: 召回率
    名称: 召回率
    值: 0.97

管道标签: 文本分类

roberta-base_压力分类模型

本模型是基于roberta-base在10万条员工评论的Glassdoor数据集上微调而成。评估集表现如下：

• 损失值: 0.1800
• 准确率: 0.9647
• F1值: 0.9647
• 精确率: 0.9647
• 召回率: 0.9647

训练数据

数据分类标准：

训练过程

超参数设置

• 学习率: 5e-05
• 训练批大小: 8
• 评估批大小: 8
• 随机种子: 42
• 优化器: Adam（β1=0.9，β2=0.999，ε=1e-08）
• 学习率调度器类型: 线性
• 预热步数: 500
• 训练轮次: 5

训练结果

模型表现

使用指南

from transformers import AutoTokenizer, AutoModelForSequenceClassification  
from transformers import pipeline  

tokenizer = AutoTokenizer.from_pretrained("dstefa/roberta-base_topic_classification_nyt_news")  
model = AutoModelForSequenceClassification.from_pretrained("dstefa/roberta-base_topic_classification_nyt_news")  
pipe = pipeline("text-classification", model=model, tokenizer=tokenizer, device=0)  

text = "某些领导更重视表面功夫而非实际产出，这带来了巨大压力。"  
pipe(text)  

# 输出: [{'label': '有压力', 'score': 0.9959163069725037}]  

框架版本

• Transformers 4.32.1
• PyTorch 2.1.0+cu121
• Datasets 2.12.0
• Tokenizers 0.13.2