语言:

• 英文 数据集:
• 生物医学文献数据库
• ml4pubmed/生物医学文献分类-20k 评估指标:
• F1分数 标签:
• 文本分类
• 文档章节
• 句子分类
• 文档分类
• 医学
• 健康
• 生物医学 流水线标签: 文本分类 示例:
• 文本: >- 许多致病过程和疾病都是补体级联错误激活的结果，因此已研究多种补体抑制剂用于抗炎作用。 示例标题: 背景示例
• 文本: 共纳入192名心肌梗死患者和140名对照者。 示例标题: 方法示例
• 文本: >- 心肌梗死患者的血浆MAP44水平比健康对照组高18%（四分位距11-25%）（P < 0.001）。 示例标题: 结果示例
• 文本: >- 由现实世界提供者实施的简短认知行为团体干预显著降低了重度抑郁症发作率，这一发现非常令人鼓舞，尽管对连续结局指标的影响较小或不显著，且效果量约为疗效研究中的一半，可能因为当前样本报告的初始抑郁水平较低。 示例标题: 结论示例
• 文本: >- 为了解并更新台湾近视患病率，1995年开展了全国性调查。 示例标题: 目标示例 许可证: Apache-2.0

BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext_pub_section

• 原始模型文件名: textclassifer_BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext_pubmed_20k
• 这是对microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext进行微调的检查点，用于文档章节文本分类
• 可能的文档章节类别包括：背景、结论、方法、目标、结果

Python使用方式

按需安装transformers库：

pip install -U transformers

运行以下代码，将示例文本替换为您的用例：

from transformers import pipeline

model_tag = "ml4pubmed/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext_pub_section"
分类器 = pipeline(
              'text-classification', 
              model=model_tag, 
            )
            
输入文本 = """
在两个机器翻译任务上的实验表明，这些模型在质量上更优，同时更具并行性且训练时间显著减少。
"""

分类器(
    输入文本,
) # 对句子进行分类

元数据

训练指标

• 验证准确率: 0.8678670525550842

• 验证马修斯相关系数: 0.8222037553787231

• 验证F1分数: 0.866841197013855

• 验证交叉熵: 0.3674609065055847

• 训练轮数: 8.0

• 训练步骤准确率: 0.83984375

• 训练步骤马修斯相关系数: 0.7790813446044922

• 训练步骤F1分数: 0.837363600730896

• 训练步骤交叉熵: 0.39843088388442993

• 训练轮次准确率: 0.8538406491279602

• 训练轮次马修斯相关系数: 0.8031334280967712

• 训练轮次F1分数: 0.8521654605865479

• 训练轮次交叉熵: 0.4116102457046509

• 测试准确率: 0.8578397035598755

• 测试马修斯相关系数: 0.8091378808021545

• 测试F1分数: 0.8566917181015015

• 测试交叉熵: 0.3963385224342346

• 运行日期: 2022年4月22日_19时

• HuggingFace标签: microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext