SetFit with BAAI/bge-m3

This is a SetFit model that can be used for Text Classification. This SetFit model uses BAAI/bge-m3 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: BAAI/bge-m3
Classification head: a LogisticRegression instance
Maximum Sequence Length: 8192 tokens
Number of Classes: 4 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
błędny montaż	'Pojemnik pod łóżkiem jest źle zamontowany i nie otwiera się.' 'Nogi komody nowoczesnej są źle przymocowane i komoda jest niestabilna.' 'Oświetlenie w witrynie z oświetleniem jest źle podłączone i nie działa.'
wady fabryczne	'Front szafki RTV jest uszkodzony, posiada wgniecenie i rysę.' 'Tapicerka krzesła jest rozdarcia.' 'Blat biurka narożnego ma pęknięcie, widoczne gołym okiem.'
niezgodność towaru z zamówieniem	'Materiał szafy Prosty jest inny niż ten, który został zamówiony.' 'Regał narożny ma inne wymiary niż te, które zostały podane w zamówieniu.' 'Zamówiony fotel bujany miał zawierać poduszkę, której nie ma w przesyłce. Potwierdzenie zamówienia wskazuje na dołączoną poduszkę.'
uszkodzenia	'Szyba stolika kawowego Minimal jest pęknięta.' 'Prowadnice szuflad w szafie wnękowej Max są uszkodzone.' 'Drzwiczki szafy na buty Shoes są uszkodzone.'

Evaluation

Metrics

Label	Accuracy
all	0.8632

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("janmariakowalski/LiderzyAI-homestyle-reklamacje")
# Run inference
preds = model("Półki regału Biblioteka są zbyt wąskie.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	4	10.0	20

Label	Training Sample Count
uszkodzenia	8
wady fabryczne	8
niezgodność towaru z zamówieniem	8
błędny montaż	8

Training Hyperparameters

batch_size: (32, 32)
num_epochs: (10, 10)
max_steps: -1
sampling_strategy: oversampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0417	1	0.1938	-
4.1667	100	0.0392	-
8.3333	200	0.0011	-

Framework Versions

Python: 3.11.0
SetFit: 1.1.0
Sentence Transformers: 3.3.1
Transformers: 4.44.2
PyTorch: 2.4.1
Datasets: 2.19.0
Tokenizers: 0.19.1

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}

janmariakowalski
/

LiderzyAI-homestyle-reklamacje