Hugging Face's logo

mini1013
/
master_cate_fi11

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fi11 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
4b8ad3c verified
preview code
|
raw
history blame contribute delete
18.6 kB
metadata
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 바운티풀 프리미엄 코마사 사틴면 호텔 이불커버 Q 가구/인테리어>침구단품>이불커버
  - text: 쇼파커버 사계절 담요 블랭킷 캠핑 이불 차박 대형 러그 가구/인테리어>침구단품>담요
  - text: 플로라 시어서커 리플 여름 홑이불 SS 가구/인테리어>침구단품>홑이불
  - text: 아이리스 포르토MT 모달 워싱 스프레드 Q 가구/인테리어>침구단품>스프레드
  - text: 모던하우스 마이호텔 여름 모달혼방 고밀도워싱 차렵이불 S 가구/인테리어>침구단품>차렵이불
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
            name: Accuracy

SetFit with mini1013/master_domain

This is a SetFit model that can be used for Text Classification. This SetFit model uses mini1013/master_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:

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

Model Details

Model Description

Model Sources

Model Labels

Label Examples
0.0
  • '바보사랑 여기있소 침대시트 고정밴드 이불클립 8개입 2세트 가구/인테리어>침구단품>기타침구단품'
  • '밀림방지 원터치 침구고정핀 이불 침대시트 소파커버 고정클립 가구/인테리어>침구단품>기타침구단품'
  • '두잉썸 고밀도 80수 베개커버 가구/인테리어>침구단품>기타침구단품'
9.0
  • '템퍼 프로 플러스 미디엄 타퍼 가구/인테리어>침구단품>토퍼'
  • '아망떼 뉴데이즈 세미마이크로 고정밴드 토퍼SS Q K 가구/인테리어>침구단품>토퍼'
  • '아이스 쿨 매트리스 토퍼 가구/인테리어>침구단품>토퍼'
10.0
  • '숙면연구소 베이직 토퍼매트리스 전용 일자형 방수속커버 Q 가구/인테리어>침구단품>토퍼커버'
  • '아망떼 리틀캣 알러지케어 요커버SS Q 가구/인테리어>침구단품>토퍼커버'
  • '두꺼운 퀼트 매트리스 커버 코튼 프로텍터 부드러운 진드기 토퍼 저자극성 공기 투과성 침대 가구/인테리어>침구단품>토퍼커버'
11.0
  • '극세사 겨울 스프레드 침대패드 토퍼 가구/인테리어>침구단품>패드>더블/퀸/킹패드'
  • '헬로우슬립 부드럽고 따뜻한 겨울 밀크 극세사 고정밴딩 침대패드 Q K - 가구/인테리어>침구단품>패드>싱글/슈퍼싱글패드'
  • '파르페by알레르망 스노우쿨 듀라론 냉감 3중직 패드 Q 가구/인테리어>침구단품>패드>더블/퀸/킹패드'
1.0
  • '플란넬 담요 겨울 무릎 캠핑 극세사 미니 대형 가구/인테리어>침구단품>담요'
  • '대형 캠핑 감성 블랭킷 담요 카페트 3종 가구/인테리어>침구단품>담요'
  • '방콕 극세사 겨울 잠옷 입는담요 가구/인테리어>침구단품>담요'
2.0
  • '먼지없는 부드러운 포인트라인 침대패드 슈퍼싱글 가구/인테리어>침구단품>매트/침대커버>싱글/슈퍼싱글침대커버'
  • '머쉬룸 매트리스커버 방수 침대 커버 순면 매트 시트 오가닉코튼 싱글 퀸 킹 누빔 알러지케어 K킹 가구/인테리어>침구단품>매트/침대커버>싱글/슈퍼싱글매트커버'
  • '인테리어포스터 벽장식 패브릭 대형 오아시스 중 집꾸미기 인테리어소품 포스터 가구/인테리어>침구단품>매트/침대커버>싱글/슈퍼싱글침대커버'
8.0
  • '모던하우스 슈퍼쿨 다니엘 쿨링 매쉬 이불 S 가구/인테리어>침구단품>차렵이불'
  • '세사 버터링 알러지케어 차렵이불 S 가구/인테리어>침구단품>차렵이불'
  • '알레르망 플레인 80수 고밀도 바이오워싱 호텔식 무봉제 차렵이불 S/SS 가구/인테리어>침구단품>차렵이불'
3.0
  • '오너클랜 캐릭터 롤카펫 극세사 무릎담요 선인장 어린이 학생 가구/인테리어>침구단품>무릎담요'
  • '알쏭달쏭 캐치티니핑 극세사 로얄핑 담요 100x70 집순이 블랭킷 차박 학생 사무실 캐릭터담요 가구/인테리어>침구단품>무릎담요'
  • '조구만 스튜디오 무지개 담요 가구/인테리어>침구단품>무릎담요'
4.0
  • '이솔홈 이음 피그먼트 순면 모달벨벳 이불 패드 스프레드 가구/인테리어>침구단품>스프레드'
  • '차렵이불세트 60수 아사 순면 스프레드 S 싱글 가구/인테리어>침구단품>스프레드'
  • '소오미홈 에코 벨로아 모달 줄누비 양면 싱글 퀸 킹패드 가구/인테리어>침구단품>스프레드'
7.0
  • '더크린 라이너 세미마이크로 온수매트커버 Q그레이 가구/인테리어>침구단품>전기매트커버'
  • '방수 두꺼운 보호대 커버 탄성 밴드 고정 시트 가정용 퀼트 패드 침대 가구/인테리어>침구단품>전기매트커버'
  • '매트 커버 꽃 시트 3색 지퍼 리스 용 단품 온수 장판 u자 전기 침대 가구/인테리어>침구단품>전기매트커버'
5.0
  • '라이크홈 에코항균 누빔 요커버 S 가구/인테리어>침구단품>요>요커버'
  • '올리비아데코 베리메리 60수 아사 요세트 Q 가구/인테리어>침구단품>요>요세트'
  • '더블샵 3단 접이식 요매트 2인용 매트리스 가구/인테리어>침구단품>요>요세트'
12.0
  • '파르페 썸머 뱀부서커 여름 홑이불 MINI 가구/인테리어>침구단품>홑이불'
  • '엘르파리 엘르 파리 포엠 냉감 홑이불 S 가구/인테리어>침구단품>홑이불'
  • '기라로쉬 인견 여름홑이불 160x200 가구/인테리어>침구단품>홑이불'
6.0
  • '아이리스 릴라WH 면 홑겹 이불커버 Q 가구/인테리어>침구단품>이불커버'
  • '한파용 80수 폴란드 구스 극세사 알러지케어 이불커버 -싱글 가구/인테리어>침구단품>이불커버'
  • '사슴 이불 동물 베개커버 꽃밭 이불커버 귀여운 침구-6 가구/인테리어>침구단품>이불커버'

Evaluation

Metrics

Label Accuracy
all 1.0

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_fi11")
# Run inference
preds = model("플로라 시어서커 리플 여름 홑이불 SS 가구/인테리어>침구단품>홑이불")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 8.8067 23
Label Training Sample Count
0.0 70
1.0 70
2.0 70
3.0 70
4.0 70
5.0 50
6.0 70
7.0 70
8.0 70
9.0 70
10.0 70
11.0 70
12.0 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
0.0057 1 0.5104 -
0.2874 50 0.4986 -
0.5747 100 0.3956 -
0.8621 150 0.1871 -
1.1494 200 0.0555 -
1.4368 250 0.017 -
1.7241 300 0.0073 -
2.0115 350 0.0015 -
2.2989 400 0.0003 -
2.5862 450 0.0002 -
2.8736 500 0.0001 -
3.1609 550 0.0001 -
3.4483 600 0.0001 -
3.7356 650 0.0001 -
4.0230 700 0.0001 -
4.3103 750 0.0001 -
4.5977 800 0.0001 -
4.8851 850 0.0001 -
5.1724 900 0.0 -
5.4598 950 0.0 -
5.7471 1000 0.0 -
6.0345 1050 0.0 -
6.3218 1100 0.0 -
6.6092 1150 0.0 -
6.8966 1200 0.0 -
7.1839 1250 0.0 -
7.4713 1300 0.0001 -
7.7586 1350 0.0 -
8.0460 1400 0.0 -
8.3333 1450 0.0 -
8.6207 1500 0.0 -
8.9080 1550 0.0 -
9.1954 1600 0.0 -
9.4828 1650 0.0 -
9.7701 1700 0.0 -
10.0575 1750 0.0 -
10.3448 1800 0.0 -
10.6322 1850 0.0 -
10.9195 1900 0.0 -
11.2069 1950 0.0 -
11.4943 2000 0.0 -
11.7816 2050 0.0 -
12.0690 2100 0.0 -
12.3563 2150 0.0 -
12.6437 2200 0.0 -
12.9310 2250 0.0 -
13.2184 2300 0.0 -
13.5057 2350 0.0 -
13.7931 2400 0.0 -
14.0805 2450 0.0 -
14.3678 2500 0.0 -
14.6552 2550 0.0 -
14.9425 2600 0.0 -
15.2299 2650 0.0 -
15.5172 2700 0.0 -
15.8046 2750 0.0 -
16.0920 2800 0.0 -
16.3793 2850 0.0 -
16.6667 2900 0.0 -
16.9540 2950 0.0 -
17.2414 3000 0.0 -
17.5287 3050 0.0 -
17.8161 3100 0.0 -
18.1034 3150 0.0 -
18.3908 3200 0.0 -
18.6782 3250 0.0 -
18.9655 3300 0.0 -
19.2529 3350 0.0 -
19.5402 3400 0.0 -
19.8276 3450 0.0 -
20.1149 3500 0.0 -
20.4023 3550 0.0 -
20.6897 3600 0.0 -
20.9770 3650 0.0 -
21.2644 3700 0.0 -
21.5517 3750 0.0 -
21.8391 3800 0.0 -
22.1264 3850 0.0 -
22.4138 3900 0.0 -
22.7011 3950 0.0 -
22.9885 4000 0.0 -
23.2759 4050 0.0 -
23.5632 4100 0.0 -
23.8506 4150 0.0 -
24.1379 4200 0.0 -
24.4253 4250 0.0 -
24.7126 4300 0.0 -
25.0 4350 0.0 -
25.2874 4400 0.0 -
25.5747 4450 0.0 -
25.8621 4500 0.0 -
26.1494 4550 0.0 -
26.4368 4600 0.0 -
26.7241 4650 0.0 -
27.0115 4700 0.0 -
27.2989 4750 0.0 -
27.5862 4800 0.0 -
27.8736 4850 0.0 -
28.1609 4900 0.0 -
28.4483 4950 0.0 -
28.7356 5000 0.0 -
29.0230 5050 0.0 -
29.3103 5100 0.0 -
29.5977 5150 0.0 -
29.8851 5200 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 

@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}
}