--- license: mit base_model: SCUT-DLVCLab/lilt-roberta-en-base tags: - generated_from_trainer model-index: - name: lilt-en-combined-azure results: [] --- # lilt-en-combined-azure This model is a fine-tuned version of [SCUT-DLVCLab/lilt-roberta-en-base](https://huggingface.co/SCUT-DLVCLab/lilt-roberta-en-base) on the None dataset. It achieves the following results on the evaluation set: - Loss: 0.0073 - Adhaar Number: {'precision': 0.9130434782608695, 'recall': 1.0, 'f1': 0.9545454545454545, 'number': 21} - Ame: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} - An Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} - Assport Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} - Ast Name: {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} - Ate Of Expiry: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} - Ather Name: {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} - Ather Name Back: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} - Ather Name Front Top: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} - Ddress: {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} - Ddress Back: {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} - Ddress Front: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} - Ender: {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} - Ob: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} - Obile Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} - Other Name: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} - Rz Passport: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} - Ther: {'precision': 0.9641255605381166, 'recall': 0.9728506787330317, 'f1': 0.9684684684684685, 'number': 221} - Overall Precision: 0.9725 - Overall Recall: 0.9779 - Overall F1: 0.9752 - Overall Accuracy: 0.9986 ## 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: 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 - training_steps: 2500 - mixed_precision_training: Native AMP ### Training results | Training Loss | Epoch | Step | Validation Loss | Adhaar Number | Ame | An Number | Assport Number | Ast Name | Ate Of Expiry | Ather Name | Ather Name Back | Ather Name Front Top | Ddress | Ddress Back | Ddress Front | Ender | Ob | Obile Number | Other Name | Rz Passport | Ther | Overall Precision | Overall Recall | Overall F1 | Overall Accuracy | |:-------------:|:-------:|:----:|:---------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:----------------------------------------------------------------------------------------:|:----------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:--------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:----------------------------------------------------------------------------------------:|:---------------------------------------------------------:|:-------------------------------------------------------------------:|:--------------------------------------------------------------------------------------------------------:|:-----------------:|:--------------:|:----------:|:----------------:| | 0.2004 | 4.0816 | 200 | 0.0211 | {'precision': 0.9047619047619048, 'recall': 0.9047619047619048, 'f1': 0.9047619047619048, 'number': 21} | {'precision': 0.8979591836734694, 'recall': 0.9361702127659575, 'f1': 0.9166666666666666, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.7857142857142857, 'recall': 0.8461538461538461, 'f1': 0.8148148148148148, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.9230769230769231, 'recall': 1.0, 'f1': 0.9600000000000001, 'number': 12} | {'precision': 0.6, 'recall': 0.6, 'f1': 0.6, 'number': 5} | {'precision': 0.7777777777777778, 'recall': 0.5833333333333334, 'f1': 0.6666666666666666, 'number': 12} | {'precision': 0.9354838709677419, 'recall': 1.0, 'f1': 0.9666666666666666, 'number': 29} | {'precision': 1.0, 'recall': 0.9, 'f1': 0.9473684210526316, 'number': 30} | {'precision': 0.9787234042553191, 'recall': 0.9787234042553191, 'f1': 0.9787234042553191, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 0.9375, 'recall': 0.9375, 'f1': 0.9375, 'number': 16} | {'precision': 0.9377777777777778, 'recall': 0.9547511312217195, 'f1': 0.9461883408071748, 'number': 221} | 0.9341 | 0.9392 | 0.9366 | 0.9945 | | 0.0105 | 8.1633 | 400 | 0.0096 | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9583333333333334, 'recall': 0.9787234042553191, 'f1': 0.968421052631579, 'number': 47} | {'precision': 0.9444444444444444, 'recall': 1.0, 'f1': 0.9714285714285714, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15} | {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9504504504504504, 'recall': 0.9547511312217195, 'f1': 0.9525959367945823, 'number': 221} | 0.9614 | 0.9632 | 0.9623 | 0.9979 | | 0.0053 | 12.2449 | 600 | 0.0192 | {'precision': 0.7692307692307693, 'recall': 0.9523809523809523, 'f1': 0.8510638297872339, 'number': 21} | {'precision': 0.9787234042553191, 'recall': 0.9787234042553191, 'f1': 0.9787234042553191, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13} | {'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15} | {'precision': 0.9583333333333334, 'recall': 0.9583333333333334, 'f1': 0.9583333333333334, 'number': 24} | {'precision': 0.8, 'recall': 0.8, 'f1': 0.8000000000000002, 'number': 5} | {'precision': 0.9230769230769231, 'recall': 1.0, 'f1': 0.9600000000000001, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} | {'precision': 0.9666666666666667, 'recall': 0.9666666666666667, 'f1': 0.9666666666666667, 'number': 30} | {'precision': 0.9791666666666666, 'recall': 1.0, 'f1': 0.9894736842105264, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9377777777777778, 'recall': 0.9547511312217195, 'f1': 0.9461883408071748, 'number': 221} | 0.9493 | 0.9650 | 0.9571 | 0.9961 | | 0.0028 | 16.3265 | 800 | 0.0144 | {'precision': 0.9523809523809523, 'recall': 0.9523809523809523, 'f1': 0.9523809523809523, 'number': 21} | {'precision': 0.9787234042553191, 'recall': 0.9787234042553191, 'f1': 0.9787234042553191, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13} | {'precision': 0.9333333333333333, 'recall': 0.9333333333333333, 'f1': 0.9333333333333333, 'number': 15} | {'precision': 0.9583333333333334, 'recall': 0.9583333333333334, 'f1': 0.9583333333333334, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.2, 'recall': 0.2, 'f1': 0.20000000000000004, 'number': 5} | {'precision': 0.8333333333333334, 'recall': 0.8333333333333334, 'f1': 0.8333333333333334, 'number': 12} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9684684684684685, 'recall': 0.9728506787330317, 'f1': 0.9706546275395034, 'number': 221} | 0.9687 | 0.9687 | 0.9687 | 0.9979 | | 0.0018 | 20.4082 | 1000 | 0.0146 | {'precision': 0.9090909090909091, 'recall': 0.9523809523809523, 'f1': 0.9302325581395349, 'number': 21} | {'precision': 0.9791666666666666, 'recall': 1.0, 'f1': 0.9894736842105264, 'number': 47} | {'precision': 0.9444444444444444, 'recall': 1.0, 'f1': 0.9714285714285714, 'number': 17} | {'precision': 0.8823529411764706, 'recall': 1.0, 'f1': 0.9375, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 0.25, 'recall': 0.2, 'f1': 0.22222222222222224, 'number': 5} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 0.9, 'recall': 0.9310344827586207, 'f1': 0.9152542372881356, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 0.9791666666666666, 'recall': 1.0, 'f1': 0.9894736842105264, 'number': 47} | {'precision': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9383259911894273, 'recall': 0.9638009049773756, 'f1': 0.950892857142857, 'number': 221} | 0.9372 | 0.9613 | 0.9491 | 0.9968 | | 0.0008 | 24.4898 | 1200 | 0.0076 | {'precision': 0.9130434782608695, 'recall': 1.0, 'f1': 0.9545454545454545, 'number': 21} | {'precision': 0.9583333333333334, 'recall': 0.9787234042553191, 'f1': 0.968421052631579, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9596412556053812, 'recall': 0.9683257918552036, 'f1': 0.9639639639639639, 'number': 221} | 0.9635 | 0.9724 | 0.9679 | 0.9982 | | 0.0004 | 28.5714 | 1400 | 0.0073 | {'precision': 0.9130434782608695, 'recall': 1.0, 'f1': 0.9545454545454545, 'number': 21} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9641255605381166, 'recall': 0.9728506787330317, 'f1': 0.9684684684684685, 'number': 221} | 0.9725 | 0.9779 | 0.9752 | 0.9986 | | 0.0003 | 32.6531 | 1600 | 0.0084 | {'precision': 0.9545454545454546, 'recall': 1.0, 'f1': 0.9767441860465117, 'number': 21} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} | {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.9596412556053812, 'recall': 0.9683257918552036, 'f1': 0.9639639639639639, 'number': 221} | 0.9689 | 0.9742 | 0.9715 | 0.9984 | | 0.0002 | 36.7347 | 1800 | 0.0088 | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} | {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} | 0.9724 | 0.9742 | 0.9733 | 0.9986 | | 0.0001 | 40.8163 | 2000 | 0.0090 | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} | {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} | 0.9724 | 0.9742 | 0.9733 | 0.9986 | | 0.0001 | 44.8980 | 2200 | 0.0100 | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} | {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} | 0.9724 | 0.9742 | 0.9733 | 0.9986 | | 0.0001 | 48.9796 | 2400 | 0.0103 | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} | {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} | {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} | {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} | 0.9724 | 0.9742 | 0.9733 | 0.9986 | ### Framework versions - Transformers 4.41.2 - Pytorch 2.3.0+cu121 - Datasets 2.19.2 - Tokenizers 0.19.1