roberta-finetuned-wines

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

Loss: 5.4665
Accuracy: 0.1073
F1: 0.0750
Precision: 0.4777
Recall: 0.2527

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: 32
eval_batch_size: 32
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 5
num_epochs: 150
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
7.8629	1.0	405	7.8525	0.0009	0.0000	0.9983	0.0004
7.7872	2.0	810	7.7982	0.0046	0.0002	0.9798	0.0048
7.6725	3.0	1215	7.6970	0.0071	0.0003	0.9716	0.0068
7.5418	4.0	1620	7.5861	0.0121	0.0010	0.9590	0.0127
7.3997	5.0	2025	7.4690	0.0161	0.0026	0.9473	0.0192
7.2604	6.0	2430	7.3499	0.0210	0.0035	0.9445	0.0217
7.1155	7.0	2835	7.2366	0.0232	0.0042	0.9364	0.0287
6.9688	8.0	3240	7.1219	0.0281	0.0055	0.9341	0.0315
6.824	9.0	3645	7.0155	0.0285	0.0056	0.9450	0.0279
6.6814	10.0	4050	6.9050	0.0322	0.0072	0.9330	0.0339
6.5493	11.0	4455	6.8102	0.0328	0.0080	0.9323	0.0329
6.4221	12.0	4860	6.7147	0.0374	0.0106	0.9266	0.0395
6.2916	13.0	5265	6.6268	0.0377	0.0111	0.9203	0.0398
6.1736	14.0	5670	6.5492	0.0430	0.0142	0.9173	0.0484
6.0584	15.0	6075	6.4759	0.0414	0.0105	0.9154	0.0449
5.9497	16.0	6480	6.4023	0.0458	0.0154	0.9090	0.0499
5.8428	17.0	6885	6.3424	0.0455	0.0155	0.9073	0.0508
5.742	18.0	7290	6.2803	0.0467	0.0149	0.8990	0.0537
5.6494	19.0	7695	6.2155	0.0492	0.0176	0.8882	0.0592
5.5565	20.0	8100	6.1614	0.0510	0.0176	0.8872	0.0630
5.4674	21.0	8505	6.1120	0.0520	0.0190	0.8791	0.0647
5.3793	22.0	8910	6.0617	0.0557	0.0206	0.8772	0.0687
5.2992	23.0	9315	6.0214	0.0551	0.0200	0.8702	0.0704
5.2134	24.0	9720	5.9748	0.0551	0.0194	0.8687	0.0719
5.1365	25.0	10125	5.9350	0.0594	0.0228	0.8555	0.0798
5.0656	26.0	10530	5.8965	0.0597	0.0228	0.8582	0.0791
4.9908	27.0	10935	5.8596	0.0600	0.0240	0.8467	0.0841
4.92	28.0	11340	5.8329	0.0622	0.0252	0.8453	0.0862
4.8491	29.0	11745	5.8045	0.0643	0.0268	0.8407	0.0932
4.786	30.0	12150	5.7649	0.0637	0.0269	0.8295	0.0930
4.7202	31.0	12555	5.7437	0.0643	0.0280	0.8251	0.0972
4.6521	32.0	12960	5.7112	0.0659	0.0306	0.8154	0.1004
4.5934	33.0	13365	5.6903	0.0677	0.0292	0.8079	0.1048
4.5291	34.0	13770	5.6676	0.0674	0.0317	0.8060	0.1111
4.4668	35.0	14175	5.6414	0.0690	0.0321	0.7960	0.1116
4.4066	36.0	14580	5.6280	0.0705	0.0330	0.7894	0.1153
4.3487	37.0	14985	5.6050	0.0705	0.0324	0.7812	0.1166
4.2885	38.0	15390	5.5923	0.0718	0.0347	0.7768	0.1196
4.2307	39.0	15795	5.5675	0.0739	0.0379	0.7718	0.1222
4.1779	40.0	16200	5.5597	0.0755	0.0376	0.7670	0.1271
4.1253	41.0	16605	5.5310	0.0758	0.0379	0.7599	0.1306
4.0689	42.0	17010	5.5214	0.0767	0.0386	0.7585	0.1311
4.0148	43.0	17415	5.5017	0.0789	0.0405	0.7539	0.1393
3.9639	44.0	17820	5.4964	0.0795	0.0417	0.7513	0.1364
3.9117	45.0	18225	5.4763	0.0810	0.0428	0.7396	0.1417
3.8563	46.0	18630	5.4707	0.0817	0.0436	0.7384	0.1445
3.8068	47.0	19035	5.4614	0.0810	0.0444	0.7285	0.1440
3.7598	48.0	19440	5.4481	0.0832	0.0467	0.7265	0.1498
3.7076	49.0	19845	5.4413	0.0823	0.0465	0.7230	0.1467
3.6624	50.0	20250	5.4301	0.0848	0.0478	0.7209	0.1544
3.6122	51.0	20655	5.4214	0.0866	0.0486	0.7139	0.1571
3.5628	52.0	21060	5.4193	0.0835	0.0477	0.7048	0.1545
3.5184	53.0	21465	5.4066	0.0838	0.0473	0.6928	0.1598
3.466	54.0	21870	5.4030	0.0863	0.0494	0.6899	0.1641
3.4169	55.0	22275	5.3990	0.0863	0.0497	0.6879	0.1635
3.3812	56.0	22680	5.3931	0.0882	0.0506	0.6780	0.1695
3.3313	57.0	23085	5.3860	0.0875	0.0518	0.6729	0.1723
3.2886	58.0	23490	5.3741	0.0878	0.0501	0.6670	0.1732
3.2385	59.0	23895	5.3751	0.0878	0.0513	0.6606	0.1739
3.1984	60.0	24300	5.3793	0.0872	0.0520	0.6548	0.1751
3.1555	61.0	24705	5.3686	0.0885	0.0518	0.6540	0.1775
3.1145	62.0	25110	5.3632	0.0900	0.0537	0.6493	0.1824
3.0739	63.0	25515	5.3644	0.0900	0.0547	0.6473	0.1843
3.0375	64.0	25920	5.3625	0.0900	0.0529	0.6392	0.1819
2.9894	65.0	26325	5.3602	0.0937	0.0564	0.6322	0.1883
2.9475	66.0	26730	5.3619	0.0940	0.0579	0.6357	0.1878
2.9078	67.0	27135	5.3502	0.0928	0.0582	0.6246	0.1899
2.8723	68.0	27540	5.3495	0.0940	0.0571	0.6283	0.1886
2.8288	69.0	27945	5.3416	0.0943	0.0583	0.6169	0.1917
2.792	70.0	28350	5.3465	0.0946	0.0582	0.6119	0.1946
2.7566	71.0	28755	5.3492	0.0981	0.0600	0.6071	0.2005
2.7142	72.0	29160	5.3448	0.0981	0.0615	0.6106	0.1970
2.6816	73.0	29565	5.3388	0.0968	0.0614	0.6065	0.1974
2.6467	74.0	29970	5.3422	0.0987	0.0610	0.5998	0.2034
2.6077	75.0	30375	5.3435	0.0984	0.0619	0.5979	0.2030
2.5747	76.0	30780	5.3452	0.0968	0.0618	0.5959	0.2003
2.5382	77.0	31185	5.3526	0.0977	0.0608	0.5895	0.1997
2.5074	78.0	31590	5.3430	0.0971	0.0615	0.5841	0.2064
2.4694	79.0	31995	5.3450	0.0987	0.0630	0.5791	0.2079
2.4394	80.0	32400	5.3446	0.1024	0.0666	0.5791	0.2134
2.4071	81.0	32805	5.3481	0.1011	0.0652	0.5786	0.2099
2.3735	82.0	33210	5.3462	0.1002	0.0651	0.5657	0.2139
2.3436	83.0	33615	5.3474	0.1018	0.0667	0.5692	0.2142
2.3154	84.0	34020	5.3523	0.1042	0.0679	0.5705	0.2137
2.2796	85.0	34425	5.3603	0.1049	0.0682	0.5635	0.2207
2.2542	86.0	34830	5.3531	0.1052	0.0682	0.5631	0.2195
2.2225	87.0	35235	5.3524	0.1042	0.0686	0.5531	0.2262
2.1966	88.0	35640	5.3573	0.1067	0.0700	0.5457	0.2276
2.163	89.0	36045	5.3590	0.1045	0.0690	0.5470	0.2275
2.1355	90.0	36450	5.3646	0.1061	0.0696	0.5566	0.2233
2.1093	91.0	36855	5.3593	0.1055	0.0692	0.5457	0.2276
2.0832	92.0	37260	5.3639	0.1055	0.0702	0.5452	0.2306
2.0555	93.0	37665	5.3688	0.1052	0.0701	0.5440	0.2307
2.0363	94.0	38070	5.3708	0.1039	0.0683	0.5391	0.2277
2.007	95.0	38475	5.3690	0.1021	0.0667	0.5343	0.2288
1.9851	96.0	38880	5.3814	0.1045	0.0697	0.5360	0.2325
1.9581	97.0	39285	5.3766	0.1052	0.0702	0.5357	0.2339
1.9383	98.0	39690	5.3742	0.1058	0.0706	0.5269	0.2355
1.9118	99.0	40095	5.3754	0.1073	0.0709	0.5229	0.2357
1.8877	100.0	40500	5.3766	0.1073	0.0702	0.5188	0.2405
1.8697	101.0	40905	5.3894	0.1049	0.0702	0.5260	0.2335
1.8469	102.0	41310	5.3910	0.1058	0.0700	0.5177	0.2378
1.8239	103.0	41715	5.3959	0.1083	0.0715	0.5285	0.2365
1.8058	104.0	42120	5.3928	0.1076	0.0716	0.5228	0.2368
1.7831	105.0	42525	5.3927	0.1076	0.0717	0.5154	0.2400
1.7669	106.0	42930	5.4024	0.1079	0.0718	0.5143	0.2410
1.7492	107.0	43335	5.4043	0.1067	0.0715	0.5169	0.2398
1.7252	108.0	43740	5.4017	0.1070	0.0724	0.5117	0.2400
1.7109	109.0	44145	5.4030	0.1079	0.0726	0.5158	0.2408
1.6932	110.0	44550	5.4107	0.1079	0.0724	0.5092	0.2420
1.6714	111.0	44955	5.4031	0.1079	0.0733	0.5043	0.2438
1.6525	112.0	45360	5.4127	0.1101	0.0735	0.5065	0.2441
1.6397	113.0	45765	5.4099	0.1098	0.0749	0.5102	0.2436
1.6289	114.0	46170	5.4149	0.1083	0.0739	0.5009	0.2455
1.6115	115.0	46575	5.4189	0.1083	0.0738	0.5035	0.2416
1.5932	116.0	46980	5.4228	0.1101	0.0746	0.5018	0.2479
1.5798	117.0	47385	5.4271	0.1104	0.0745	0.5010	0.2466
1.5593	118.0	47790	5.4306	0.1095	0.0754	0.4981	0.2480
1.5517	119.0	48195	5.4347	0.1095	0.0743	0.4973	0.2484
1.5436	120.0	48600	5.4350	0.1098	0.0746	0.4974	0.2471
1.5258	121.0	49005	5.4318	0.1083	0.0750	0.4958	0.2472
1.5128	122.0	49410	5.4357	0.1083	0.0749	0.4961	0.2474
1.4983	123.0	49815	5.4365	0.1104	0.0761	0.4949	0.2508
1.4891	124.0	50220	5.4410	0.1076	0.0737	0.4962	0.2483
1.4829	125.0	50625	5.4393	0.1079	0.0749	0.4906	0.2471
1.4669	126.0	51030	5.4462	0.1095	0.0755	0.4891	0.2494
1.4594	127.0	51435	5.4446	0.1076	0.0750	0.4893	0.2529
1.447	128.0	51840	5.4466	0.1098	0.0758	0.4889	0.2507
1.4386	129.0	52245	5.4454	0.1095	0.0759	0.4864	0.2510
1.4294	130.0	52650	5.4495	0.1095	0.0766	0.4882	0.2534
1.4179	131.0	53055	5.4516	0.1092	0.0756	0.4859	0.2512
1.4143	132.0	53460	5.4479	0.1089	0.0756	0.4820	0.2545
1.404	133.0	53865	5.4548	0.1101	0.0763	0.4868	0.2529
1.3962	134.0	54270	5.4582	0.1083	0.0754	0.4881	0.2518
1.3937	135.0	54675	5.4578	0.1079	0.0750	0.4843	0.2530
1.3887	136.0	55080	5.4570	0.1067	0.0743	0.4805	0.2534
1.3796	137.0	55485	5.4580	0.1089	0.0758	0.4836	0.2521
1.3739	138.0	55890	5.4598	0.1079	0.0750	0.4813	0.2523
1.3702	139.0	56295	5.4617	0.1076	0.0752	0.4829	0.2504
1.3621	140.0	56700	5.4622	0.1079	0.0755	0.4800	0.2522
1.355	141.0	57105	5.4628	0.1083	0.0756	0.4842	0.2524
1.3497	142.0	57510	5.4644	0.1073	0.0746	0.4782	0.2535
1.3521	143.0	57915	5.4643	0.1076	0.0751	0.4813	0.2521
1.3486	144.0	58320	5.4641	0.1064	0.0744	0.4771	0.2526
1.3441	145.0	58725	5.4670	0.1079	0.0754	0.4791	0.2535
1.3399	146.0	59130	5.4661	0.1070	0.0745	0.4784	0.2532
1.3403	147.0	59535	5.4670	0.1073	0.0750	0.4786	0.2526
1.3352	148.0	59940	5.4663	0.1076	0.0749	0.4791	0.2532
1.336	149.0	60345	5.4664	0.1073	0.0750	0.4789	0.2519
1.3323	150.0	60750	5.4665	0.1073	0.0750	0.4777	0.2527

Framework versions

Transformers 4.51.3
Pytorch 2.6.0+cu124
Datasets 3.5.0
Tokenizers 0.21.1

dimitarpg13/roberta-finetuned-wines

roberta-finetuned-wines

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions