标签:

• 训练生成 指标:
• 准确率
• F1值
• 召回率
• 精确率 模型索引:
• 名称: codebert-base-恶意网址检测 结果: [] 语言:
• 英文 管道标签: 文本分类

codebert-base-恶意网址检测

该模型是基于microsoft/codebert-base微调而成的版本。在评估集上取得了以下结果：

• 损失值: 0.8225
• 准确率: 0.7279
• 加权F1值: 0.6508
• 微平均F1值: 0.7279
• 宏平均F1值: 0.4611
• 加权召回率: 0.7279
• 微平均召回率: 0.7279
• 宏平均召回率: 0.4422
• 加权精确率: 0.6256
• 微平均精确率: 0.7279
• 宏平均精确率: 0.5436

模型描述

有关模型创建过程的更多信息，请查看以下链接：https://github.com/DunnBC22/NLP_Projects/blob/main/Multiclass%20Classification/Malicious%20URLs/Malicious%20URLs%20-%20CodeBERT.ipynb

预期用途与限制

本模型旨在展示我运用技术解决复杂问题的能力。

训练与评估数据

数据集来源：https://www.kaggle.com/datasets/sid321axn/malicious-urls-dataset

输入文本词数统计:

按类别划分的输入词数:

类别分布:

训练流程

训练超参数

训练过程中使用了以下超参数：

• 学习率: 2e-05
• 训练批次大小: 64
• 评估批次大小: 64
• 随机种子: 42
• 优化器: 采用betas=(0.9,0.999)和epsilon=1e-08的Adam优化器
• 学习率调度器类型: 线性
• 训练轮次: 1

训练结果

框架版本

• Transformers 4.27.4
• Pytorch 2.0.0
• Datasets 2.11.0
• Tokenizers 0.13.3