README.md

metadata

license: mit
tags:
  - generated_from_trainer
datasets:
  - yelp_review_full
metrics:
  - accuracy
base_model: roberta-base
model-index:
  - name: YELP_roBERTa_5E
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: yelp_review_full
          type: yelp_review_full
          config: yelp_review_full
          split: train
          args: yelp_review_full
        metrics:
          - type: accuracy
            value: 0.9866666666666667
            name: Accuracy

YELP_roBERTa_5E

This model is a fine-tuned version of roberta-base on the yelp_review_full dataset. It achieves the following results on the evaluation set:

• Loss: 0.0995
• Accuracy: 0.9867

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: 1e-05
• train_batch_size: 16
• eval_batch_size: 8
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.5721	0.03	50	0.3248	0.88
0.2836	0.06	100	0.1190	0.9733
0.1793	0.1	150	0.1707	0.96
0.2196	0.13	200	0.0841	0.9733
0.2102	0.16	250	0.0634	0.9867
0.2197	0.19	300	0.0763	0.98
0.1866	0.22	350	0.0640	0.9867
0.1717	0.26	400	0.0612	0.9867
0.1443	0.29	450	0.0844	0.9733
0.1669	0.32	500	0.1297	0.9667
0.2005	0.35	550	0.0644	0.9867
0.1543	0.38	600	0.0874	0.9867
0.1345	0.42	650	0.1853	0.96
0.1664	0.45	700	0.1157	0.9667
0.1876	0.48	750	0.0474	0.9733
0.111	0.51	800	0.0645	0.98
0.1511	0.54	850	0.0432	0.9933
0.1846	0.58	900	0.0505	0.9867
0.151	0.61	950	0.0452	0.98
0.1338	0.64	1000	0.1007	0.98
0.1175	0.67	1050	0.0747	0.9867
0.1818	0.7	1100	0.0852	0.98
0.1557	0.74	1150	0.0255	0.9933
0.1487	0.77	1200	0.1266	0.9733
0.1315	0.8	1250	0.0593	0.9867
0.1059	0.83	1300	0.0697	0.9867
0.108	0.86	1350	0.0459	0.9933
0.1525	0.9	1400	0.0446	0.9933
0.1185	0.93	1450	0.0528	0.9867
0.1611	0.96	1500	0.0582	0.9867
0.1556	0.99	1550	0.0726	0.98
0.0902	1.02	1600	0.0466	0.9867
0.1535	1.06	1650	0.0850	0.9733
0.0787	1.09	1700	0.0869	0.9867
0.1019	1.12	1750	0.0984	0.98
0.1234	1.15	1800	0.0358	0.9933
0.0884	1.18	1850	0.0621	0.9867
0.0785	1.22	1900	0.0507	0.9867
0.1454	1.25	1950	0.0793	0.98
0.1035	1.28	2000	0.0501	0.9867
0.0579	1.31	2050	0.0935	0.9867
0.1215	1.34	2100	0.0079	1.0
0.0958	1.38	2150	0.0673	0.9867
0.106	1.41	2200	0.0875	0.9867
0.095	1.44	2250	0.0745	0.9867
0.0958	1.47	2300	0.0715	0.9867
0.085	1.5	2350	0.0742	0.9867
0.082	1.54	2400	0.1053	0.9733
0.1202	1.57	2450	0.0711	0.9867
0.1041	1.6	2500	0.0723	0.9867
0.1145	1.63	2550	0.0361	0.9867
0.0909	1.66	2600	0.0868	0.9867
0.1029	1.7	2650	0.0680	0.9867
0.1083	1.73	2700	0.0599	0.9867
0.0871	1.76	2750	0.0452	0.9867
0.1506	1.79	2800	0.0344	0.9933
0.0778	1.82	2850	0.0380	0.9933
0.0982	1.86	2900	0.0349	0.9933
0.1296	1.89	2950	0.0713	0.9867
0.0836	1.92	3000	0.0693	0.9867
0.0699	1.95	3050	0.1023	0.98
0.0631	1.98	3100	0.0852	0.98
0.0724	2.02	3150	0.0835	0.9867
0.0898	2.05	3200	0.0872	0.9867
0.0642	2.08	3250	0.0427	0.9933
0.0524	2.11	3300	0.0731	0.9867
0.0415	2.14	3350	0.0632	0.9867
0.0604	2.18	3400	0.0428	0.9867
0.0701	2.21	3450	0.0671	0.9867
0.0668	2.24	3500	0.0360	0.9933
0.0442	2.27	3550	0.0454	0.9933
0.0677	2.3	3600	0.0517	0.9867
0.0965	2.34	3650	0.0659	0.98
0.0781	2.37	3700	0.0732	0.9867
0.0421	2.4	3750	0.0855	0.9867
0.0674	2.43	3800	0.0813	0.9867
0.0613	2.46	3850	0.0859	0.98
0.0679	2.5	3900	0.0721	0.9867
0.0417	2.53	3950	0.0977	0.9867
0.0616	2.56	4000	0.0789	0.9867
0.0678	2.59	4050	0.0804	0.9867
0.0651	2.62	4100	0.0994	0.98
0.0714	2.66	4150	0.0744	0.98
0.034	2.69	4200	0.0679	0.9867
0.0356	2.72	4250	0.0432	0.9933
0.0813	2.75	4300	0.0483	0.9933
0.052	2.78	4350	0.0689	0.9867
0.0611	2.82	4400	0.0474	0.9867
0.0615	2.85	4450	0.0557	0.9867
0.0569	2.88	4500	0.1056	0.98
0.0352	2.91	4550	0.0443	0.9933
0.0312	2.94	4600	0.1026	0.98
0.0662	2.98	4650	0.0677	0.9867
0.0694	3.01	4700	0.0368	0.9933
0.0144	3.04	4750	0.0647	0.9867
0.0378	3.07	4800	0.0893	0.9867
0.0393	3.1	4850	0.0841	0.9867
0.0598	3.13	4900	0.0594	0.9867
0.0329	3.17	4950	0.0933	0.9867
0.036	3.2	5000	0.0974	0.9867
0.0166	3.23	5050	0.0962	0.9867
0.0189	3.26	5100	0.0827	0.9867
0.0482	3.29	5150	0.0955	0.9867
0.0105	3.33	5200	0.0745	0.9867
0.0447	3.36	5250	0.1038	0.9867
0.0495	3.39	5300	0.0684	0.9867
0.0445	3.42	5350	0.0815	0.9867
0.0006	3.45	5400	0.1012	0.9867
0.0214	3.49	5450	0.0707	0.9867
0.0289	3.52	5500	0.1000	0.9867
0.0304	3.55	5550	0.1069	0.9867
0.0339	3.58	5600	0.1079	0.9867
0.0227	3.61	5650	0.1032	0.9867
0.0626	3.65	5700	0.0978	0.9867
0.04	3.68	5750	0.0965	0.9867
0.0358	3.71	5800	0.1048	0.9867
0.0287	3.74	5850	0.0921	0.9867
0.049	3.77	5900	0.1108	0.98
0.0497	3.81	5950	0.0795	0.9867
0.0047	3.84	6000	0.0979	0.9867
0.0252	3.87	6050	0.1071	0.9867
0.0691	3.9	6100	0.0821	0.9867
0.0419	3.93	6150	0.0896	0.9867
0.0197	3.97	6200	0.0943	0.9867
0.0281	4.0	6250	0.0901	0.9867
0.0118	4.03	6300	0.0950	0.9867
0.0057	4.06	6350	0.1031	0.9867
0.0335	4.09	6400	0.0896	0.9867
0.0095	4.13	6450	0.0966	0.9867
0.05	4.16	6500	0.0977	0.9867
0.0142	4.19	6550	0.1174	0.98
0.018	4.22	6600	0.0963	0.9867
0.0274	4.25	6650	0.0953	0.9867
0.0199	4.29	6700	0.0968	0.9867
0.0171	4.32	6750	0.0963	0.9867
0.0195	4.35	6800	0.0916	0.9867
0.0091	4.38	6850	0.0954	0.9867
0.0115	4.41	6900	0.0974	0.9867
0.0299	4.45	6950	0.0971	0.9867
0.0338	4.48	7000	0.0922	0.9867
0.0107	4.51	7050	0.0964	0.9867
0.0063	4.54	7100	0.0921	0.9867
0.0099	4.57	7150	0.0923	0.9867
0.0101	4.61	7200	0.0971	0.9867
0.0262	4.64	7250	0.1008	0.9867
0.0097	4.67	7300	0.0999	0.9867
0.0302	4.7	7350	0.0980	0.9867
0.0225	4.73	7400	0.0976	0.9867
0.0235	4.77	7450	0.1016	0.9867
0.0106	4.8	7500	0.1034	0.9867
0.0495	4.83	7550	0.1135	0.98
0.0228	4.86	7600	0.1034	0.9867
0.0229	4.89	7650	0.0990	0.9867
0.0206	4.93	7700	0.0993	0.9867
0.0188	4.96	7750	0.0993	0.9867
0.0189	4.99	7800	0.0995	0.9867

Framework versions

• Transformers 4.24.0
• Pytorch 1.13.0
• Datasets 2.3.2
• Tokenizers 0.13.2