Consumer Complaint Classifier

Это файнтюн distilbert-base-uncased от Ahmed-Tarek0: модель на 0,07 млрд параметров классифицирует англоязычные потребительские жалобы по пяти финансовым категориям. Подходит для демонстрации сценариев автоматической маршрутизации обращений.

🔥 Ключевые особенности

• ✅ Пять классов: credit_card, credit_reporting, debt_collection, mortgages_and_loans, retail_banking.
• 🔥 Accuracy 0,883 и F1 0,884 на отложенной тестовой выборке.
• 📚 Обучение через Hugging Face Trainer с weighted cross-entropy и early stopping по validation F1.
• 💻 Максимальная длина последовательности — 150 токенов; запуск через pipeline.
• ❓ Модель создана в учебном проекте и не валидирована для production-задач финансового compliance.

💻 Пример

from transformers import pipeline\n\nclassifier = pipeline(\n    'text-classification',\n    model='Ahmed-Tarek0/complaint-classifier'\n)\nprint(classifier('I was charged twice for the same transaction and the bank refuses to refund me.'))

Подробнее

Сравнение с baseline: SimpleRNN — 0,749 accuracy, LSTM — 0,842, GRU — 0,850; у этой модели — 0,883.
Базовая модель: distilbert-base-uncased, 5 классов, max length 150 токенов.
Для обучения использовали weighted cross-entropy из-за дисбаланса классов и early stopping.
Ограничение: только английский язык; для финансового compliance нужна дополнительная проверка.