Create README.md

README.md

@@ -0,0 +1,52 @@
+**실험 개요**
+
+본 실험은 한국어 영화 리뷰 데이터셋(NSMC)을 사용하여 meta-llama/Llama-2-7b-chat-hf 모델을 미세 튜닝하고, 한국 영화 리뷰의 긍정 또는 부정을 분류하는 모델을 학습하였습니다. 실험은 Hugging Face의 PEFT와 SFTTrainer를 사용하여 수행했으며, 평가는 정확도 및 혼돈 행렬을 포함한 다양한 지표를 통해 이루어졌습니다.
+
+**실험 환경 설정**
+
+모델: meta-llama/Llama-2-7b-chat-hf  
+학습 데이터: NSMC (네이버 영화 리뷰 데이터셋)  
+하이퍼파라미터 및 설정  
+미니배치 크기: 1  
+시퀀스 길이: 384  
+학습률: 1e-4  
+에폭 수: 1  
+
+**정확도 향상을 위한 노력**
+
+1. 훈련 데이터 확장
+훈련 데이터의 개수를 2000개부터 시작했고 2000개씩 확장하여 학습시켰습니다.
+
+2. 프롬프트 템플릿 변경
+다양한 프롬프트 템플릿을 시도하여 어떤 형식이 모델의 성능을 향상시키는지 평가했습니다.
+
+3. 훈련 총 스텝 수 변경
+훈련 스텝이 높을수록 더 많은 데이터를 처리할 수 있습니다. 하지만 너무 높거나 훈련 데이터의 개수가 충분하지 않다면 오버피팅될 수 있기 때문에 훈련 데이터 개에 따른 훈련 총 스탭 수를 적절하게 설정해야 합니다. 따라서 데이터 양에 따라 적절하게 훈련 총 스탭 수를 변경하면서 모델의 성능을 향상시키기 위해 노력했습니다.
+
+4. 드롭아웃 값 변경
+오버피팅을 되지 않도록 드롭아웃의 값을 0.05에서 0.15로 변경했습니다.
+
+정확도가 0.9 이상이 되도록 위의 4가지 방법을 조합하여 많은 실험을 해봤지만 정확도 값의 최대는 0.874였습니다. 
+
+**분류 결과**
+
+Confusion Matrix
+|  | TP | TN |
+|----------|----------|----------|
+| PP | 445 | 63 |
+| PN | 63 | 429 |
+
+Classification Report
+|  | precision | recall | f1-score | support |
+|----------|----------|----------|----------|----------|
+| Negative | 0.87 | 0.87 | 0.87 | 492 |
+| Positive | 0.88 | 0.88 | 0.88 | 508 |
+| accuracy |  |  | 0.87 | 1000 |
+| macro avg | 0.87 | 0.87 | 0.87 | 1000 |
+| weighted avg | 0.87 | 0.87 | 0.87 | 1000 |
+
+**결과 분석**
+
+정확도는 0.874로 모델이 1000개 테스트 데이터 중 874개에 대해 정확한 예측을 수행했다.
+TP : 445, TN : 429, FP : 63, FN : 63의 결과가 나왔다.
+