albert-base-v2-finetuned-ner-cadec-no-iob

This model is a fine-tuned version of albert-base-v2 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 0.5037
• Precision: 0.5849
• Recall: 0.6227
• F1: 0.6032
• Accuracy: 0.9311
• Adr Precision: 0.5065
• Adr Recall: 0.5608
• Adr F1: 0.5323
• Disease Precision: 0.52
• Disease Recall: 0.4062
• Disease F1: 0.4561
• Drug Precision: 0.9121
• Drug Recall: 0.9222
• Drug F1: 0.9171
• Finding Precision: 0.1875
• Finding Recall: 0.1875
• Finding F1: 0.1875
• Symptom Precision: 0.4839
• Symptom Recall: 0.5172
• Symptom F1: 0.5000
• Macro Avg F1: 0.5186
• Weighted Avg F1: 0.6047

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: 2e-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: 35

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy	Adr Precision	Adr Recall	Adr F1	Disease Precision	Disease Recall	Disease F1	Drug Precision	Drug Recall	Drug F1	Finding Precision	Finding Recall	Finding F1	Symptom Precision	Symptom Recall	Symptom F1	Macro Avg F1	Weighted Avg F1
No log	1.0	125	0.2244	0.5211	0.6029	0.5590	0.9215	0.4547	0.6103	0.5211	0.3864	0.5312	0.4474	0.8276	0.8	0.8136	0.0	0.0	0.0	0.0	0.0	0.0	0.3564	0.5455
No log	2.0	250	0.2082	0.5448	0.5937	0.5682	0.9240	0.4700	0.5649	0.5131	0.4348	0.3125	0.3636	0.8722	0.8722	0.8722	0.1892	0.2188	0.2029	0.6667	0.0690	0.125	0.4154	0.5641
No log	3.0	375	0.2113	0.5416	0.6016	0.5700	0.9273	0.4863	0.5505	0.5164	0.48	0.375	0.4211	0.8182	0.85	0.8338	0.1622	0.1875	0.1739	0.4091	0.6207	0.4932	0.4877	0.5724
0.187	4.0	500	0.2257	0.5418	0.6069	0.5725	0.9281	0.4739	0.5423	0.5058	0.3548	0.3438	0.3492	0.8944	0.8944	0.8944	0.1607	0.2812	0.2045	0.5926	0.5517	0.5714	0.5051	0.5813
0.187	5.0	625	0.2483	0.5788	0.6253	0.6011	0.9283	0.4957	0.5918	0.5395	0.6111	0.3438	0.4400	0.8883	0.8833	0.8858	0.2083	0.1562	0.1786	0.6316	0.4138	0.5	0.5088	0.6008
0.187	6.0	750	0.2584	0.5572	0.6042	0.5797	0.9242	0.4843	0.5423	0.5117	0.4	0.375	0.3871	0.8989	0.8889	0.8939	0.1951	0.25	0.2192	0.5	0.5172	0.5085	0.5041	0.5847
0.187	7.0	875	0.2676	0.5640	0.5989	0.5809	0.9261	0.4836	0.5464	0.5131	1.0	0.0938	0.1714	0.9096	0.8944	0.9020	0.1964	0.3438	0.25	0.6667	0.4828	0.56	0.4793	0.5817
0.0608	8.0	1000	0.2623	0.5797	0.6187	0.5986	0.9335	0.5121	0.5670	0.5382	0.5556	0.3125	0.4000	0.8944	0.8944	0.8944	0.1562	0.1562	0.1562	0.4286	0.6207	0.5070	0.4992	0.5996
0.0608	9.0	1125	0.2968	0.5754	0.6293	0.6011	0.9314	0.5162	0.5897	0.5505	0.4062	0.4062	0.4062	0.8840	0.8889	0.8864	0.1282	0.1562	0.1408	0.5652	0.4483	0.5000	0.4968	0.6050
0.0608	10.0	1250	0.3169	0.5485	0.5897	0.5683	0.9289	0.4887	0.5361	0.5113	0.3333	0.3125	0.3226	0.8820	0.8722	0.8771	0.1389	0.1562	0.1471	0.3846	0.5172	0.4412	0.4598	0.5721
0.0608	11.0	1375	0.3367	0.5673	0.6227	0.5937	0.9261	0.5081	0.5794	0.5414	0.5625	0.2812	0.375	0.8798	0.8944	0.8871	0.175	0.2188	0.1944	0.35	0.4828	0.4058	0.4807	0.5966
0.0214	12.0	1500	0.3600	0.5917	0.6425	0.6161	0.9314	0.5325	0.5918	0.5605	0.4516	0.4375	0.4444	0.8684	0.9167	0.8919	0.2258	0.2188	0.2222	0.4375	0.4828	0.4590	0.5156	0.6162
0.0214	13.0	1625	0.3514	0.5606	0.6161	0.5871	0.9279	0.4882	0.5546	0.5193	0.4412	0.4688	0.4545	0.8967	0.9167	0.9066	0.1351	0.1562	0.1449	0.4815	0.4483	0.4643	0.4979	0.5906
0.0214	14.0	1750	0.3994	0.5654	0.5871	0.5761	0.9270	0.5090	0.5258	0.5172	0.3333	0.2812	0.3051	0.9034	0.8833	0.8933	0.125	0.1875	0.15	0.4571	0.5517	0.5	0.4731	0.5814
0.0214	15.0	1875	0.4133	0.5858	0.5989	0.5923	0.9292	0.5276	0.5526	0.5398	0.4737	0.2812	0.3529	0.8807	0.8611	0.8708	0.1538	0.1875	0.1690	0.4848	0.5517	0.5161	0.4897	0.5939
0.0089	16.0	2000	0.4126	0.5695	0.6108	0.5894	0.9301	0.4935	0.5505	0.5205	0.5	0.375	0.4286	0.9056	0.9056	0.9056	0.1951	0.25	0.2192	0.4815	0.4483	0.4643	0.5076	0.5932
0.0089	17.0	2125	0.4195	0.5856	0.6095	0.5973	0.9288	0.5057	0.5505	0.5271	0.6923	0.2812	0.4	0.9157	0.9056	0.9106	0.1765	0.1875	0.1818	0.4722	0.5862	0.5231	0.5085	0.5981
0.0089	18.0	2250	0.4177	0.5856	0.6227	0.6036	0.9300	0.5036	0.5711	0.5353	0.5	0.375	0.4286	0.9171	0.9222	0.9197	0.1667	0.1562	0.1613	0.5714	0.4138	0.4800	0.5050	0.6041
0.0089	19.0	2375	0.4675	0.5623	0.5897	0.5757	0.9257	0.5038	0.5402	0.5214	0.4118	0.2188	0.2857	0.9023	0.8722	0.8870	0.0943	0.1562	0.1176	0.5161	0.5517	0.5333	0.4690	0.5817
0.004	20.0	2500	0.4435	0.5604	0.6055	0.5821	0.9276	0.4878	0.5340	0.5098	0.4643	0.4062	0.4333	0.9066	0.9167	0.9116	0.15	0.1875	0.1667	0.4211	0.5517	0.4776	0.4998	0.5863
0.004	21.0	2625	0.4669	0.5516	0.5989	0.5743	0.9277	0.4822	0.5299	0.5049	0.4828	0.4375	0.4590	0.8962	0.9111	0.9036	0.1463	0.1875	0.1644	0.3514	0.4483	0.3939	0.4852	0.5790
0.004	22.0	2750	0.4732	0.5820	0.6042	0.5929	0.9285	0.5058	0.5381	0.5215	0.4643	0.4062	0.4333	0.9153	0.9	0.9076	0.2105	0.25	0.2286	0.5	0.4828	0.4912	0.5164	0.5959
0.004	23.0	2875	0.4922	0.5816	0.6016	0.5914	0.9258	0.5048	0.5402	0.5219	0.5	0.3438	0.4074	0.9091	0.8889	0.8989	0.2162	0.25	0.2319	0.5	0.5172	0.5085	0.5137	0.5938
0.0016	24.0	3000	0.4747	0.5789	0.6148	0.5963	0.9294	0.5038	0.5526	0.5270	0.4667	0.4375	0.4516	0.9056	0.9056	0.9056	0.2	0.1875	0.1935	0.4545	0.5172	0.4839	0.5123	0.5980
0.0016	25.0	3125	0.4849	0.5851	0.6121	0.5983	0.9300	0.5085	0.5526	0.5296	0.4783	0.3438	0.4	0.9011	0.9111	0.9061	0.2069	0.1875	0.1967	0.4688	0.5172	0.4918	0.5048	0.5981
0.0016	26.0	3250	0.4692	0.5821	0.6266	0.6036	0.9307	0.5009	0.5629	0.5301	0.48	0.375	0.4211	0.9176	0.9278	0.9227	0.2424	0.25	0.2462	0.4839	0.5172	0.5000	0.5240	0.6056
0.0016	27.0	3375	0.4785	0.5752	0.6108	0.5925	0.9299	0.5	0.5443	0.5212	0.4615	0.375	0.4138	0.9011	0.9111	0.9061	0.2105	0.25	0.2286	0.4839	0.5172	0.5000	0.5139	0.5949
0.001	28.0	3500	0.4873	0.5810	0.6201	0.5999	0.9322	0.5103	0.5629	0.5353	0.4815	0.4062	0.4407	0.8962	0.9111	0.9036	0.1613	0.1562	0.1587	0.4545	0.5172	0.4839	0.5044	0.6009
0.001	29.0	3625	0.4825	0.5813	0.6227	0.6013	0.9318	0.5028	0.5629	0.5311	0.52	0.4062	0.4561	0.8962	0.9111	0.9036	0.2333	0.2188	0.2258	0.4839	0.5172	0.5000	0.5233	0.6023
0.001	30.0	3750	0.4883	0.5769	0.6135	0.5946	0.9307	0.4944	0.5505	0.5210	0.52	0.4062	0.4561	0.9111	0.9111	0.9111	0.2069	0.1875	0.1967	0.4688	0.5172	0.4918	0.5154	0.5961
0.001	31.0	3875	0.4964	0.5734	0.6135	0.5927	0.9308	0.4963	0.5526	0.5229	0.5	0.4062	0.4483	0.9011	0.9111	0.9061	0.1613	0.1562	0.1587	0.4688	0.5172	0.4918	0.5056	0.5942
0.0005	32.0	4000	0.4977	0.5817	0.6201	0.6003	0.9309	0.5047	0.5588	0.5303	0.52	0.4062	0.4561	0.9066	0.9167	0.9116	0.1875	0.1875	0.1875	0.4688	0.5172	0.4918	0.5155	0.6018
0.0005	33.0	4125	0.5008	0.5810	0.6201	0.5999	0.9312	0.5047	0.5567	0.5294	0.5	0.4062	0.4483	0.9121	0.9222	0.9171	0.1765	0.1875	0.1818	0.4688	0.5172	0.4918	0.5137	0.6019
0.0005	34.0	4250	0.5028	0.5829	0.6214	0.6015	0.9310	0.5047	0.5588	0.5303	0.52	0.4062	0.4561	0.9121	0.9222	0.9171	0.1875	0.1875	0.1875	0.4688	0.5172	0.4918	0.5166	0.6031
0.0005	35.0	4375	0.5037	0.5849	0.6227	0.6032	0.9311	0.5065	0.5608	0.5323	0.52	0.4062	0.4561	0.9121	0.9222	0.9171	0.1875	0.1875	0.1875	0.4839	0.5172	0.5000	0.5186	0.6047

Framework versions

• Transformers 4.35.2
• Pytorch 2.1.0+cu121
• Datasets 2.15.0
• Tokenizers 0.15.0