fineweb-edu-fasttext-classifier

项目介绍：FineWeb-Edu FastText 分类器

项目概述

FineWeb-Edu FastText 分类器是一个用来判断网页教育价值的快速文本分类器。该模型基于训练数据集 fineweb-edu-llama3-annotations 进行优化训练。该项目有两个主要目标：

高效处理能力：能够在CPU上每秒处理超过2000个样本，因此可以在预训练期间或使用CPU处理大量数据时即时使用。
轻量模型对比：此模型旨在与基于 Transformer 的模型 HuggingFaceFW/fineweb-edu-classifier 进行对比，以探讨其在有限容量下的表现。

这个 FastText 方法受到另一种关于教育价值定义的独立开发的教育分类器的启发，该分类器可在 kenhktsui/llm-data-textbook-quality-fasttext-classifier-v2 找到。

使用方法

以下是如何在 Python 中使用该模型的基本代码。

from typing import List
import re
from huggingface_hub import hf_hub_download
import fasttext

model_hf = fasttext.load_model(hf_hub_download("kenhktsui/fineweb-edu-fasttext-classifier", "model.bin"))

def replace_newlines(text: str) -> str:
  return re.sub("\n+", " ", text)

def predict(text_list: List[str]) -> List[dict]:
  text_list = [replace_newlines(text) for text in text_list]
  pred = model_hf.predict(text_list)
  return [{"label": int(l[0].lstrip("__label__")), "score": s[0]}
           for l, s in zip(*pred)]

# 示例预测
predict(["Hi"])
# 输出: [{'label': 0, 'score': 1.00001}]

模型评估

最后的46867个样本被用作测试数据，尽管这并不是和 HuggingFaceFW/fineweb-edu-classifier 使用的完全相同的测试数据。

分类报告

分类表现如下：

              precision    recall  f1-score   support

           0       0.72      0.44      0.55      5704
           1       0.73      0.87      0.80     26595
           2       0.52      0.49      0.50     10350
           3       0.48      0.33      0.39      3397
           4       0.69      0.03      0.06       819
           5       0.00      0.00      0.00         2

    accuracy                           0.68     46867
   macro avg       0.52      0.36      0.38     46867
weighted avg       0.67      0.68      0.66     46867

该模型的整体准确率为68%，相较于 Transformer 模型，FastText 模型在标签 0、1、2 上表现较为接近，而在标签 3、4 上性能略有下降。这种下降主要由于 FastText 模型的容量限制。

混淆矩阵和预测偏差

       [ 2537  3098    65     4     0     0]
       [  944 23037  2491   123     0     0]
y_true [   26  4742  5048   533     1     0]
       [    4   434  1846  1105     8     0]
       [    0    38   213   544    24     0]
       [    0     0     0     0     2     0]
                       y_pred

预测与实际匹配频率上，该模型，总体而言，更可能低估而非高估教育价值。这种表现的保守性有利于在筛选大量数据时使用。