language:

• cs tags:
• 情感分类
• roberta
• 微调模型
• 捷克语

license: mit datasets:

• 自定义数据集

model-index:

• name: 捷克语情感分类微调RoBERTa模型 results:
  • task: type: 文本分类 name: 捷克语情感分类 dataset: name: 捷克自定义数据集 type: 文本 metrics:
    • name: 精确率（宏平均） type: 精确率 value: 0.84
    • name: 召回率（宏平均） type: 召回率 value: 0.84
    • name: F1分数（宏平均） type: f1 value: 0.84
    • name: 准确率 type: 准确率 value: 0.81

捷克语情感分类微调RoBERTa模型

模型描述

本模型是基于RoBERTa架构的微调版本，专门针对捷克语情感分类任务优化。该模型训练用于将文本数据分类为六种情感类别（愤怒、恐惧、厌恶、悲伤、快乐及无上述情绪）。

使用场景

本模型适用于捷克语文本情感分类，可应用于情感分析、社交媒体监测、客户反馈分析等场景。模型能够预测给定文本在六个预定义类别中的主导情感。

性能指标

整体表现

• 准确率: 0.81
• 宏平均精确率: 0.84
• 宏平均召回率: 0.84
• 宏平均F1分数: 0.84

分类表现

模型在恐惧、厌恶和快乐类别表现突出，各项指标均保持高位。在愤怒和无上述情绪类别表现中等，显示存在优化空间。

局限性

• 语境敏感性: 对需要深层语境理解的情感识别可能存在困难
• 类别不平衡: "无上述情绪"类别的表现表明需通过更均衡的数据集提升准确率
• 泛化能力: 模型性能可能因文本领域、语言风格和长度存在差异，跨语言场景尤需注意

训练数据

模型基于标注六种情感类别的捷克语自定义数据集微调，训练过程中考虑了类别分布均衡性。

使用方法

可通过Hugging Face的transformers库直接调用，示例如下：

from transformers import pipeline

# 加载微调模型
classifier = pipeline("text-classification", model="visegradmedia-emotion/Emotion_RoBERTa_czech6")

# 使用示例
result = classifier("Dnes se cítím velmi šťastný!")  # 今天我感到非常开心！
print(result)