metadata

base_model: mini1013/setfit_robeta_base_s_domain
library_name: setfit
metrics:
  - metric
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      [7매입/14매입] 마이크로바이옴 비건 모델링팩 모공 수축 수분 진정 마스크 팩 1set 1. 모델링팩 1set (7매입) 주식회사
      에이치티오인터내셔널
  - text: 더후 공진향 인양 넥앤페이스 탄력 리페어75ml 옵션없음 씨플랩
  - text: 빌리프 슈퍼 나이츠-리제너레이팅 나이트 마스크 75ml 옵션없음 라임쇼핑
  - text: 수이스킨 편안한 진정초 시트 마스크 5개입 × 1개 민물유통
  - text: 참존 지안 극결 콘트롤 크림 225ml (리뉴얼제품) 옵션없음 슈슈
inference: true
model-index:
  - name: SetFit with mini1013/setfit_robeta_base_s_domain
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: metric
            value: 0.7714285714285715
            name: Metric

SetFit with mini1013/setfit_robeta_base_s_domain

This is a SetFit model that can be used for Text Classification. This SetFit model uses mini1013/setfit_robeta_base_s_domain 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: mini1013/setfit_robeta_base_s_domain
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 8 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
4	'메노킨 30초 퀵 버블 마스크 3종세트 (선물포장+세안밴드 ) 옵션없음 주식회사 포레스트에비뉴' '라네즈 립 슬리핑 마스크EX 20g 각질케어 수면팩 자몽 20g (주)아모레퍼시픽' '빌리프 슈퍼 나이츠 멀티 비타민 마스크 75ml 옵션없음 라임쇼핑'
5	'[러쉬]국내제조 컵 오 커피 325g - 페이스 마스크 / 커피팩 옵션없음 주식회사 러쉬코리아' '올리고더미 딥클렌징 마스크 110ml+25ml+캐릭터파우치+스파츌라 리바이탈라이징 25ml(5mlx5매) [영양] 주식회사더마셀' '스킨푸드 라벤더 푸드마스크 120g 02 딸기슈가_1개 미루코스메틱'
3	'[에스테프로] 708 티트리 알게러버 2000ml 고무마스크 모델링팩 피부미용사 실기준비물 에스테맥스 옵션없음 무제' '린제이 프리미엄 쿨 티트리 모델링 마스크 고무팩 820g 11203606 옵션없음 세론세론' '메디플라워 대용량 네이처 허브 모델링팩 쿨티트리 500g+히알루론산 멀티 부스터 500ml 쿨 티트리 500g_히알루론산 멀티 부스터 (주)메디플라워'
2	'바이오던스 바이오 콜라겐 리얼 딥 마스크 1매 옵션없음 에스제이유통' '아리얼 세븐데이즈 마스크 카렌듈라 P 1매 도매가능 옵션없음 앱스' '바노바기 밀크 씨슬 리페어 시카 퀵 마스크 플러스(30매) 제품 구매 시 +시카 폼 미니어처 1EA 증정 주식회사 바노바기'
6	'포잇 카카두 허니씨 톤업패드 60매 3개 옵션없음 스타일리시케이' '미팩토리 3단 돼지 코팩, 3개입, 6개 3개입 × 6개 제이케이컴퍼니' '올가드 아웃도어 패치 2패치 4매 3개 옵션없음 스타일리시케이'
0	'오릭스마사지크림(450ml) 옵션없음 고호성' '모든순간 살구씨 찌든때 비타민 피지 살구스크럽 500g 옵션없음 데이포유' '필로티카 시트랑스 겔 마스크 270ml 필로티카 시트랑스 겔 마스크 270ml 오드엘르'
1	'코 숨쉬기 입벌림 방지 호흡 유도 수면 보조 밴드 코골이 기구 용품 개선 제품 완화 기기 옵션없음 구씨네유통' '희재감성 라인정리 이중턱 밴드 관리 리프팅 안면윤곽 단품(1701) 희재감성몰' '50 개/몫 화이트 판지 카드 상자 포장 빈 마스크 더블 오픈 01 WHITE_06 9.2x8x5cm-50pcs 글로젠'
7	'ECLADO 에끌라두 로얄 밀크 프로틴 페이셜 마스크 70g 단백질 필오프팩 1개 옵션없음 주식회사 아워스' '비건이펙트 슬로우 앤 에이징 저분자 콜라겐 물광 랩마스크 80ml 옵션없음 (주)부스트랩' '메디필 레드락토 콜라겐 랩핑마스크 70ml 물광 리프팅 팩 옵션없음 웬디스룸'

Evaluation

Metrics

Label	Metric
all	0.7714

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("mini1013/master_cate_bt2")
# Run inference
preds = model("수이스킨 편안한 진정초 시트 마스크 5개입 × 1개 민물유통")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	9.8591	27

Label	Training Sample Count
0	90
1	78
2	88
3	95
4	94
5	90
6	84
7	34

Training Hyperparameters

batch_size: (512, 512)
num_epochs: (20, 20)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 30
body_learning_rate: (2e-05, 2e-05)
head_learning_rate: 2e-05
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0130	1	0.4922	-
0.6494	50	0.2317	-
1.2987	100	0.0726	-
1.9481	150	0.033	-
2.5974	200	0.0322	-
3.2468	250	0.0056	-
3.8961	300	0.001	-
4.5455	350	0.0003	-
5.1948	400	0.0001	-
5.8442	450	0.0001	-
6.4935	500	0.0001	-
7.1429	550	0.0002	-
7.7922	600	0.0001	-
8.4416	650	0.0001	-
9.0909	700	0.0001	-
9.7403	750	0.0001	-
10.3896	800	0.0006	-
11.0390	850	0.0001	-
11.6883	900	0.0001	-
12.3377	950	0.0001	-
12.9870	1000	0.0	-
13.6364	1050	0.0	-
14.2857	1100	0.0	-
14.9351	1150	0.0	-
15.5844	1200	0.0	-
16.2338	1250	0.0	-
16.8831	1300	0.0	-
17.5325	1350	0.0	-
18.1818	1400	0.0	-
18.8312	1450	0.0	-
19.4805	1500	0.0	-

Framework Versions

Python: 3.10.12
SetFit: 1.1.0.dev0
Sentence Transformers: 3.1.1
Transformers: 4.45.1
PyTorch: 2.4.0+cu121
Datasets: 2.20.0
Tokenizers: 0.20.0

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}
}