---
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](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/setfit_robeta_base_s_domain](https://huggingface.co/mini1013/setfit_robeta_base_s_domain) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance is used for classification.

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

1. Fine-tuning a [Sentence Transformer](https://www.sbert.net) with contrastive learning.
2. 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](https://huggingface.co/mini1013/setfit_robeta_base_s_domain)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 512 tokens
- **Number of Classes:** 8 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->

### Model Sources

- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)

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

## Evaluation

### Metrics
| Label   | Metric |
|:--------|:-------|
| **all** | 0.7714 |

## Uses

### Direct Use for Inference

First install the SetFit library:

```bash
pip install setfit
```

Then you can load this model and run inference.

```python
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")
```

<!--
### Downstream Use

*List how someone could finetune this model on their own dataset.*
-->

<!--
### Out-of-Scope Use

*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->

<!--
## Bias, Risks and Limitations

*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->

<!--
### Recommendations

*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->

## 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
```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}
}
```

<!--
## Glossary

*Clearly define terms in order to be accessible across audiences.*
-->

<!--
## Model Card Authors

*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->

<!--
## Model Card Contact

*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->