File size: 11,946 Bytes
498d8c9 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 |
---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 미드센추리 투명 아크릴 스테인리스 트롤리 이동식 거실 테이블 가구/인테리어>주방가구>왜건/카트
- text: 복고풍 황동철제 에메랄드 인테리어 리빙 고급 대리석 사각테이블 가구/인테리어>주방가구>식탁/의자>식탁테이블
- text: 스칸디아 우디 800 1200 반타원형 수납 원목 테이블 식탁 착불배송 가구/인테리어>주방가구>식탁/의자>식탁테이블
- text: 퍼니코 어반 라미네이트 반타원 1200 4인용 식탁 세트 식탁 의자2P 벤치1P 1000 벤치 포인트체어 1200X800 가구/인테리어>주방가구>식탁/의자>식탁세트
- text: 모던 홈 바 테이블 세트 아일랜드 식탁 100 240cm-길이 200 폭 30 높이 100 가구/인테리어>주방가구>식탁/의자>아일랜드식탁
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: mini1013/master_domain
model-index:
- name: SetFit with mini1013/master_domain
results:
- task:
type: text-classification
name: Text Classification
dataset:
name: Unknown
type: unknown
split: test
metrics:
- type: accuracy
value: 1.0
name: Accuracy
---
# SetFit with mini1013/master_domain
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_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/master_domain](https://huggingface.co/mini1013/master_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:** 6 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 |
|:------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 2.0 | <ul><li>'밥솥다이 전자렌지선반 광파오븐장 1200 라빈화이트 가구/인테리어>주방가구>레인지대'</li><li>'가구느낌 전자레인지 수납장 4단 밥솥 다이 렌지 선반 가구/인테리어>주방가구>레인지대'</li><li>'가구레시피 한정이벤트 조립식 시그니처 진열장형 5단 선반장 렌지대 주방수납장 밥솥다이 가구/인테리어>주방가구>레인지대'</li></ul> |
| 0.0 | <ul><li>'장미맨숀 마르틴 원목 그릇장 가구/인테리어>주방가구>그릇장/컵보드'</li><li>'찻잔 장식장 다기 진열 홈카페 수납장 주방 선반 그 -17 오동나무 12칸 벽걸이형 가구/인테리어>주방가구>그릇장/컵보드'</li><li>'찬장 원목 그릇장 빈티지 주방 수납장 엔틱 미닫이 진열장 가구/인테리어>주방가구>그릇장/컵보드'</li></ul> |
| 5.0 | <ul><li>'아이엔지홈 킨포크 주방수납장 1200 가구/인테리어>주방가구>주방수납장'</li><li>'리바트키친 트루 주방 수납장 가구/인테리어>주방가구>주방수납장'</li><li>'화이트 수납 캐비닛 주방 지중해 갤러리 찬장 가구/인테리어>주방가구>주방수납장'</li></ul> |
| 4.0 | <ul><li>'이동식 트롤리 바퀴달린 리어카 선반 다이닝카 다층선반 미드센추리 가구/인테리어>주방가구>왜건/카트'</li><li>'진료 선반 병원 카트 치과 트레이 드레싱 장비 수납 가구/인테리어>주방가구>왜건/카트'</li><li>'밀스턴 튼튼한 이동식 트롤리 3단 가구/인테리어>주방가구>왜건/카트'</li></ul> |
| 3.0 | <ul><li>'화이트 엣지 600 원형 18T 라운딩 테이블 가구/인테리어>주방가구>식탁/의자>식탁테이블'</li><li>'600x2000 키큰 주방 렌지대 겸 접이식 식탁 밥솥 다이 가구/인테리어>주방가구>식탁/의자>레인지대겸용식탁'</li><li>'웰퍼니쳐 클로이 고무나무 원목 6인 식탁세트 의자6 가구/인테리어>주방가구>식탁/의자>식탁세트'</li></ul> |
| 1.0 | <ul><li>'흡수가 빠른 씽크대선반건조대 규조토드라잉매트 가구/인테리어>주방가구>기타주방가구'</li><li>'업소용 싱크대 영업용 식당 스텐 주방 씽크대 개수대 가구/인테리어>주방가구>기타주방가구'</li><li>'주방 식당 스텐 배수 조리대 작업대 테이블 싱크대 업소용 스테인레스 가구/인테리어>주방가구>기타주방가구'</li></ul> |
## Evaluation
### Metrics
| Label | Accuracy |
|:--------|:---------|
| **all** | 1.0 |
## 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_fi10")
# Run inference
preds = model("미드센추리 투명 아크릴 스테인리스 트롤리 이동식 거실 테이블 가구/인테리어>주방가구>왜건/카트")
```
<!--
### 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 | 9.0476 | 15 |
| Label | Training Sample Count |
|:------|:----------------------|
| 0.0 | 70 |
| 1.0 | 70 |
| 2.0 | 70 |
| 3.0 | 70 |
| 4.0 | 70 |
| 5.0 | 70 |
### Training Hyperparameters
- batch_size: (256, 256)
- num_epochs: (30, 30)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 50
- 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0120 | 1 | 0.494 | - |
| 0.6024 | 50 | 0.4972 | - |
| 1.2048 | 100 | 0.4906 | - |
| 1.8072 | 150 | 0.1734 | - |
| 2.4096 | 200 | 0.0195 | - |
| 3.0120 | 250 | 0.0002 | - |
| 3.6145 | 300 | 0.0 | - |
| 4.2169 | 350 | 0.0 | - |
| 4.8193 | 400 | 0.0001 | - |
| 5.4217 | 450 | 0.0 | - |
| 6.0241 | 500 | 0.0 | - |
| 6.6265 | 550 | 0.0 | - |
| 7.2289 | 600 | 0.0 | - |
| 7.8313 | 650 | 0.0 | - |
| 8.4337 | 700 | 0.0 | - |
| 9.0361 | 750 | 0.0 | - |
| 9.6386 | 800 | 0.0 | - |
| 10.2410 | 850 | 0.0 | - |
| 10.8434 | 900 | 0.0 | - |
| 11.4458 | 950 | 0.0 | - |
| 12.0482 | 1000 | 0.0 | - |
| 12.6506 | 1050 | 0.0 | - |
| 13.2530 | 1100 | 0.0 | - |
| 13.8554 | 1150 | 0.0 | - |
| 14.4578 | 1200 | 0.0 | - |
| 15.0602 | 1250 | 0.0 | - |
| 15.6627 | 1300 | 0.0 | - |
| 16.2651 | 1350 | 0.0 | - |
| 16.8675 | 1400 | 0.0 | - |
| 17.4699 | 1450 | 0.0 | - |
| 18.0723 | 1500 | 0.0 | - |
| 18.6747 | 1550 | 0.0 | - |
| 19.2771 | 1600 | 0.0 | - |
| 19.8795 | 1650 | 0.0 | - |
| 20.4819 | 1700 | 0.0 | - |
| 21.0843 | 1750 | 0.0 | - |
| 21.6867 | 1800 | 0.0 | - |
| 22.2892 | 1850 | 0.0 | - |
| 22.8916 | 1900 | 0.0 | - |
| 23.4940 | 1950 | 0.0 | - |
| 24.0964 | 2000 | 0.0 | - |
| 24.6988 | 2050 | 0.0 | - |
| 25.3012 | 2100 | 0.0 | - |
| 25.9036 | 2150 | 0.0 | - |
| 26.5060 | 2200 | 0.0 | - |
| 27.1084 | 2250 | 0.0 | - |
| 27.7108 | 2300 | 0.0 | - |
| 28.3133 | 2350 | 0.0 | - |
| 28.9157 | 2400 | 0.0 | - |
| 29.5181 | 2450 | 0.0 | - |
### Framework Versions
- Python: 3.10.12
- SetFit: 1.1.0
- Sentence Transformers: 3.3.1
- Transformers: 4.44.2
- PyTorch: 2.2.0a0+81ea7a4
- Datasets: 3.2.0
- Tokenizers: 0.19.1
## 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.*
--> |