roberta-large-ner-ghtk-cs-add-label-new-data-3090-21Aug-2

This model is a fine-tuned version of Kudod/roberta-large-ner-ghtk-cs-6-label-old-data-3090-15Aug-2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2545
Tk: {'precision': 0.9896907216494846, 'recall': 0.8275862068965517, 'f1': 0.9014084507042254, 'number': 116}
Gày: {'precision': 0.5625, 'recall': 0.8181818181818182, 'f1': 0.6666666666666666, 'number': 33}
Gày trừu tượng: {'precision': 0.896328293736501, 'recall': 0.8886509635974305, 'f1': 0.8924731182795699, 'number': 467}
Iờ: {'precision': 0.5606060606060606, 'recall': 0.9736842105263158, 'f1': 0.7115384615384615, 'number': 38}
Ã đơn: {'precision': 0.8009049773755657, 'recall': 0.8894472361809045, 'f1': 0.8428571428571429, 'number': 199}
Đt: {'precision': 0.9435396308360477, 'recall': 0.989749430523918, 'f1': 0.9660922734852695, 'number': 878}
Đt trừu tượng: {'precision': 0.7871485943775101, 'recall': 0.9158878504672897, 'f1': 0.8466522678185745, 'number': 214}
Overall Precision: 0.8799
Overall Recall: 0.9342
Overall F1: 0.9062
Overall Accuracy: 0.9619

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2.5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Tk	Gày	Gày trừu tượng	Iờ	Ã đơn	Đt	Đt trừu tượng	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
No log	1.0	63	0.1429	{'precision': 0.9368421052631579, 'recall': 0.7672413793103449, 'f1': 0.8436018957345971, 'number': 116}	{'precision': 0.5625, 'recall': 0.8181818181818182, 'f1': 0.6666666666666666, 'number': 33}	{'precision': 0.9023255813953488, 'recall': 0.8308351177730193, 'f1': 0.8651059085841695, 'number': 467}	{'precision': 0.5423728813559322, 'recall': 0.8421052631578947, 'f1': 0.6597938144329897, 'number': 38}	{'precision': 0.8246445497630331, 'recall': 0.8743718592964824, 'f1': 0.848780487804878, 'number': 199}	{'precision': 0.9419496166484118, 'recall': 0.979498861047836, 'f1': 0.9603573422668901, 'number': 878}	{'precision': 0.885, 'recall': 0.8271028037383178, 'f1': 0.855072463768116, 'number': 214}	0.8931	0.8982	0.8957	0.9594
No log	2.0	126	0.1873	{'precision': 0.8559322033898306, 'recall': 0.8706896551724138, 'f1': 0.8632478632478633, 'number': 116}	{'precision': 0.6136363636363636, 'recall': 0.8181818181818182, 'f1': 0.7012987012987013, 'number': 33}	{'precision': 0.9308641975308642, 'recall': 0.8072805139186295, 'f1': 0.8646788990825689, 'number': 467}	{'precision': 0.5079365079365079, 'recall': 0.8421052631578947, 'f1': 0.6336633663366337, 'number': 38}	{'precision': 0.8, 'recall': 0.8844221105527639, 'f1': 0.8400954653937948, 'number': 199}	{'precision': 0.9375, 'recall': 0.9908883826879271, 'f1': 0.9634551495016611, 'number': 878}	{'precision': 0.8101851851851852, 'recall': 0.8177570093457944, 'f1': 0.813953488372093, 'number': 214}	0.8816	0.9039	0.8926	0.9577
No log	3.0	189	0.2133	{'precision': 0.8244274809160306, 'recall': 0.9310344827586207, 'f1': 0.8744939271255061, 'number': 116}	{'precision': 0.45901639344262296, 'recall': 0.8484848484848485, 'f1': 0.5957446808510639, 'number': 33}	{'precision': 0.8928571428571429, 'recall': 0.8565310492505354, 'f1': 0.8743169398907104, 'number': 467}	{'precision': 0.4864864864864865, 'recall': 0.9473684210526315, 'f1': 0.6428571428571428, 'number': 38}	{'precision': 0.8046511627906977, 'recall': 0.8693467336683417, 'f1': 0.8357487922705314, 'number': 199}	{'precision': 0.9704545454545455, 'recall': 0.9726651480637813, 'f1': 0.9715585893060297, 'number': 878}	{'precision': 0.641566265060241, 'recall': 0.9953271028037384, 'f1': 0.7802197802197801, 'number': 214}	0.8463	0.9316	0.8869	0.9577
No log	4.0	252	0.2183	{'precision': 0.8512396694214877, 'recall': 0.8879310344827587, 'f1': 0.869198312236287, 'number': 116}	{'precision': 0.5185185185185185, 'recall': 0.8484848484848485, 'f1': 0.6436781609195402, 'number': 33}	{'precision': 0.9021739130434783, 'recall': 0.8886509635974305, 'f1': 0.8953613807982741, 'number': 467}	{'precision': 0.5362318840579711, 'recall': 0.9736842105263158, 'f1': 0.6915887850467289, 'number': 38}	{'precision': 0.8341463414634146, 'recall': 0.8592964824120602, 'f1': 0.8465346534653465, 'number': 199}	{'precision': 0.9728813559322034, 'recall': 0.9806378132118451, 'f1': 0.9767441860465115, 'number': 878}	{'precision': 0.7741935483870968, 'recall': 0.897196261682243, 'f1': 0.8311688311688312, 'number': 214}	0.8849	0.9290	0.9064	0.9621
No log	5.0	315	0.2603	{'precision': 0.6530612244897959, 'recall': 0.8275862068965517, 'f1': 0.7300380228136881, 'number': 116}	{'precision': 0.5686274509803921, 'recall': 0.8787878787878788, 'f1': 0.6904761904761905, 'number': 33}	{'precision': 0.8930817610062893, 'recall': 0.9122055674518201, 'f1': 0.902542372881356, 'number': 467}	{'precision': 0.5441176470588235, 'recall': 0.9736842105263158, 'f1': 0.6981132075471699, 'number': 38}	{'precision': 0.7953488372093023, 'recall': 0.8592964824120602, 'f1': 0.8260869565217389, 'number': 199}	{'precision': 0.9248677248677248, 'recall': 0.9954441913439636, 'f1': 0.9588590235874931, 'number': 878}	{'precision': 0.8135593220338984, 'recall': 0.897196261682243, 'f1': 0.8533333333333333, 'number': 214}	0.8532	0.9383	0.8937	0.9579
No log	6.0	378	0.2367	{'precision': 0.8421052631578947, 'recall': 0.8275862068965517, 'f1': 0.8347826086956522, 'number': 116}	{'precision': 0.5714285714285714, 'recall': 0.8484848484848485, 'f1': 0.6829268292682927, 'number': 33}	{'precision': 0.9004329004329005, 'recall': 0.8907922912205567, 'f1': 0.8955866523143164, 'number': 467}	{'precision': 0.5538461538461539, 'recall': 0.9473684210526315, 'f1': 0.6990291262135921, 'number': 38}	{'precision': 0.8349514563106796, 'recall': 0.864321608040201, 'f1': 0.8493827160493828, 'number': 199}	{'precision': 0.9495614035087719, 'recall': 0.9863325740318907, 'f1': 0.9675977653631285, 'number': 878}	{'precision': 0.7677165354330708, 'recall': 0.9112149532710281, 'f1': 0.8333333333333334, 'number': 214}	0.8773	0.9301	0.9029	0.9621
No log	7.0	441	0.2529	{'precision': 0.9142857142857143, 'recall': 0.8275862068965517, 'f1': 0.8687782805429863, 'number': 116}	{'precision': 0.6, 'recall': 0.8181818181818182, 'f1': 0.6923076923076923, 'number': 33}	{'precision': 0.9, 'recall': 0.8865096359743041, 'f1': 0.8932038834951457, 'number': 467}	{'precision': 0.5068493150684932, 'recall': 0.9736842105263158, 'f1': 0.6666666666666667, 'number': 38}	{'precision': 0.7853881278538812, 'recall': 0.864321608040201, 'f1': 0.8229665071770335, 'number': 199}	{'precision': 0.9546460176991151, 'recall': 0.9829157175398633, 'f1': 0.9685746352413019, 'number': 878}	{'precision': 0.7626459143968871, 'recall': 0.9158878504672897, 'f1': 0.832271762208068, 'number': 214}	0.8749	0.9280	0.9007	0.9610
0.0487	8.0	504	0.2506	{'precision': 0.9795918367346939, 'recall': 0.8275862068965517, 'f1': 0.897196261682243, 'number': 116}	{'precision': 0.574468085106383, 'recall': 0.8181818181818182, 'f1': 0.675, 'number': 33}	{'precision': 0.8991228070175439, 'recall': 0.8779443254817987, 'f1': 0.8884073672806067, 'number': 467}	{'precision': 0.5294117647058824, 'recall': 0.9473684210526315, 'f1': 0.679245283018868, 'number': 38}	{'precision': 0.7981651376146789, 'recall': 0.8743718592964824, 'f1': 0.8345323741007195, 'number': 199}	{'precision': 0.9547960308710033, 'recall': 0.9863325740318907, 'f1': 0.9703081232492997, 'number': 878}	{'precision': 0.7871485943775101, 'recall': 0.9158878504672897, 'f1': 0.8466522678185745, 'number': 214}	0.8835	0.9280	0.9052	0.9624
0.0487	9.0	567	0.2546	{'precision': 0.9896907216494846, 'recall': 0.8275862068965517, 'f1': 0.9014084507042254, 'number': 116}	{'precision': 0.5625, 'recall': 0.8181818181818182, 'f1': 0.6666666666666666, 'number': 33}	{'precision': 0.9, 'recall': 0.8865096359743041, 'f1': 0.8932038834951457, 'number': 467}	{'precision': 0.5692307692307692, 'recall': 0.9736842105263158, 'f1': 0.7184466019417477, 'number': 38}	{'precision': 0.7729257641921398, 'recall': 0.8894472361809045, 'f1': 0.8271028037383178, 'number': 199}	{'precision': 0.9435396308360477, 'recall': 0.989749430523918, 'f1': 0.9660922734852695, 'number': 878}	{'precision': 0.7862903225806451, 'recall': 0.9112149532710281, 'f1': 0.8441558441558442, 'number': 214}	0.8777	0.9332	0.9046	0.9613
0.0487	10.0	630	0.2545	{'precision': 0.9896907216494846, 'recall': 0.8275862068965517, 'f1': 0.9014084507042254, 'number': 116}	{'precision': 0.5625, 'recall': 0.8181818181818182, 'f1': 0.6666666666666666, 'number': 33}	{'precision': 0.896328293736501, 'recall': 0.8886509635974305, 'f1': 0.8924731182795699, 'number': 467}	{'precision': 0.5606060606060606, 'recall': 0.9736842105263158, 'f1': 0.7115384615384615, 'number': 38}	{'precision': 0.8009049773755657, 'recall': 0.8894472361809045, 'f1': 0.8428571428571429, 'number': 199}	{'precision': 0.9435396308360477, 'recall': 0.989749430523918, 'f1': 0.9660922734852695, 'number': 878}	{'precision': 0.7871485943775101, 'recall': 0.9158878504672897, 'f1': 0.8466522678185745, 'number': 214}	0.8799	0.9342	0.9062	0.9619