---
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.*
-->