arubenruben/dummy-lid
收藏Hugging Face2024-05-19 更新2024-06-12 收录
下载链接：
https://hf-mirror.com/datasets/arubenruben/dummy-lid
下载链接
链接失效反馈官方服务：
资源简介：
该数据集包含多个配置，每个配置都包含文本和标签两个特征，标签用于区分葡萄牙语（pt-PT）和巴西葡萄牙语（pt-BR）。数据集分为训练集、验证集和测试集，并提供了每个分割的字节数和样本数。具体配置包括journalistic、legal、literature、politics、social-media和web。
提供机构：
arubenruben
原始信息汇总
数据集概述
数据集配置
1. 新闻（journalistic）
- 特征：
text: 字符串类型label: 类别标签，包含两个类别：pt-PT和pt-BR
- 分割：
train: 905849个样本，641932369字节validation: 388222个样本，275126414字节test: 554603个样本，393251206字节
- 下载大小：866662319字节
- 数据集大小：1310309989字节
2. 法律（legal）
- 特征：
text: 字符串类型label: 类别标签，包含两个类别：pt-PT和pt-BR
- 分割：
train: 397405个样本，123139395字节validation: 200个样本，56663字节test: 1000个样本，271938字节
- 下载大小：75418714字节
- 数据集大小：123467996字节
3. 文学（literature）
- 特征：
text: 字符串类型label: 类别标签，包含两个类别：pt-PT和pt-BR
- 分割：
train: 10315个样本，3517766字节validation: 4422个样本，1484637字节test: 6317个样本，2125655字节
- 下载大小：4769367字节
- 数据集大小：7128058字节
4. 政治（politics）
- 特征：
text: 字符串类型label: 类别标签，包含两个类别：pt-PT和pt-BR
- 分割：
train: 5582个样本，189377492字节validation: 2393个样本，72061567字节test: 3419个样本，103743651字节
- 下载大小：199760800字节
- 数据集大小：365182710字节
5. 社交媒体（social-media）
- 特征：
text: 字符串类型label: 类别标签，包含两个类别：pt-PT和pt-BR
- 分割：
train: 2459818个样本，297960267字节test: 614956个样本，74413999字节
- 下载大小：267366967字节
- 数据集大小：372374266字节
6. 网络（web）
- 特征：
text: 字符串类型label: 类别标签，包含两个类别：pt-PT和pt-BR
- 分割：
train: 14480个样本，59528182字节validation: 6206个样本，26157753字节test: 8866个样本，35875967字节
- 下载大小：68458456字节
- 数据集大小：121561902字节
