tanquangduong/emotion-balanced

---
dataset_info:
features:
- name: text
dtype: string
- name: label
dtype:
class_label:
names:
'0': sadness
'1': joy
'2': anger
'3': fear
splits:
- name: train
num_bytes: 719295
num_examples: 6644
- name: validation
num_bytes: 149899
num_examples: 1424
- name: test
num_bytes: 150803
num_examples: 1424
download_size: 602661
dataset_size: 1019997
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

## Emotion Dataset
This is the dataset for a sentiment analysis task. This dataset is cloned from [dair-ai/emotion](https://huggingface.co/datasets/dair-ai/emotion) with the following adaptations.

The original train dataset does not have a good balance of label distribution.

```
label_name
surprise 719
love 1641
fear 2373
anger 2709
sadness 5797
joy 6761
```

I created a balanced subset from the original dataset with the following processing steps:

- Selected the four highest number labels: fear (2373), anger (2709), sadness (5797), joy (6761)
- Down-sampled the majority classes to match the minority class and reordered the label ids
```
label label_name
0 sadness 2373
1 joy 2373
2 anger 2373
3 fear 2373
```
- Split the downsampled dataframe into train, validation, and test subsets with the ratio 70:15:15. Finally, we obtained:
```
train_ds: 6644
validation_ds: 1424
test_ds: 1424
```
- Added ClassLabel to all Dataset objects for the 'train', 'validation', and 'test' datasets

原始信息汇总

数据集概述

数据集特征

• text: 文本数据，数据类型为字符串。
• label: 标签数据，数据类型为分类标签，包含以下类别：
  • 0: sadness
  • 1: joy
  • 2: anger
  • 3: fear

数据集划分

• train: 训练集，包含6644个样本，总大小为719295字节。
• validation: 验证集，包含1424个样本，总大小为149899字节。
• test: 测试集，包含1424个样本，总大小为150803字节。

数据集大小

• download_size: 下载大小为602661字节。
• dataset_size: 数据集总大小为1019997字节。

数据集配置

• config_name: default
• data_files:
  • train: 路径为data/train-*
  • validation: 路径为data/validation-*
  • test: 路径为data/test-*

数据集处理

• 从原始数据集中选择四个最高频标签：fear (2373), anger (2709), sadness (5797), joy (6761)。
• 对多数类进行下采样，使其与少数类匹配，并重新排序标签ID。
• 将下采样后的数据集按70:15:15的比例划分为训练集、验证集和测试集。
• 为train, validation, 和 test数据集的所有Dataset对象添加ClassLabel。