生物医药行业事件分类数据集-2023年-knowledgator
数据来源：互联网公开数据
标签：生物医药,新闻分类,事件分析,人工智能,多标签分类,数据科学,研究
数据概述：
本数据集包含31个类别，涵盖生物医药行业的各类事件信息，每个类别对应不同的事件类型。数据集中的事件包括但不限于联盟与合作关系的建立、临床试验赞助、公司关闭、部门建立、活动组织、高管任命、地理扩张、行业扩张、基金会建立、资金轮次、招聘、公共公司投资、首次公开募股退出、并购与剥离、新产品发布、产品更新、监管批准、产品与服务提供、子公司建立、支持与慈善活动等。数据集中的每个事件均标注了所属类别，部分事件可能属于多个类别，因此这是一个多标签分类问题。
数据用途概述：
该数据集适用于多标签分类算法的训练与评估，特别适用于生物医药行业的新闻分类、事件监测和行业趋势分析。数据科学家和研究人员可以利用此数据集开发和测试分类模型，以提高对生物医药行业事件的识别与分析能力。此外，该数据集也可用于教育培训，帮助学习者理解生物医药行业的动态变化和关键事件。
数据集包含以下字段：
- 类别：事件所属的类别，可能包含多个类别
- 事件描述：事件的具体内容
数据集基准模型性能：
我们使用二元交叉熵损失函数训练了多个模型，并在测试集上进行了评估。以下是部分模型的性能指标：
- DeBERTa-small：准确率96.58%，F1分数67.69%，精确率74.18%，召回率62.19%
- DeBERTa-base：准确率96.60%，F1分数67.55%，精确率74.81%，召回率61.58%
- DeBERTa-large：准确率96.99%，F1分数74.07%，精确率73.46%，召回率74.69%
- SciBERT-uncased：准确率96.57%，F1分数68.07%，精确率73.07%，召回率63.71%
- Flan-T5-base：准确率96.85%，F1分数71.10%，精确率75.71%，召回率67.07%
推荐阅读：
- 查看数据集的概述文章：《终于有了一个不错的多标签分类基准：一个重要的零样本数据集》
- 尝试在数据集上训练自己的模型：《从零开始构建多标签分类模型：逐步教程》
反馈：
我们重视您的反馈！请通过反馈表单分享您的意见和建议，帮助我们改进模型和数据集。
- 加入我们的Discord：与我们的社区在Discord上交流，获取最新资讯、支持和讨论我们的模型与数据集。加入Discord
