Hugging Face's logo

mini1013
/
master_cate_fi6

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fi6 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
e08a8dd verified
preview code
|
raw
history blame contribute delete
12.4 kB
metadata
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 탑키드 만들기 경찰관 놀이 세트 3인용 가구/인테리어>수예>기타수예
  - text: 일상공방 코 손뜨개 6종세트 인디핑크 421114 가구/인테리어>수예>뜨개질>완제품
  - text: 퀼트가게6마 반폭롤 면 100 20수 도기 프렌즈 WS 792 원단 가구/인테리어>수예>퀼트/펠트>원단
  - text: 펠트 구절초 대 SET 환경꾸미기재료 가구/인테리어>수예>퀼트/펠트>도안
  - text: 광목침구 촬영용 빈티지 플라워 코튼 포플린 드레스 셔츠 섬유 린넨 대폭원단 가구/인테리어>수예>자수>원단
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
6.0
  • '퀼트크로스백 퀼트완제품 가구/인테리어>수예>퀼트/펠트>완제품'
  • '현진 글리터토퍼 꽃길만걷자 GFT4-405 152094 가구/인테리어>수예>퀼트/펠트>완제품'
  • '스위티퀼트 퀼트 완제품 봄이 필통 파우치 가구/인테리어>수예>퀼트/펠트>완제품'
4.0
  • '쇼파 빈티지 요곤 가죽 질감 재킷 배경 가방 부드러운 안감천 레자원단 가구/인테리어>수예>원단'
  • '접착 레자 소파 고무 강력 자동차 인테리 인조 가죽 가구/인테리어>수예>원단'
  • '핸드메이드 가죽 소재 하운드투스 Y자 인조 PVC클러치 프린트 캐리어 DIY 가구/인테리어>수예>원단'
3.0
  • '실밥뜯개 실뜯게 제거기 부자재 니퍼 실따개 바느질 마대바늘 모루인형눈 스킬바늘 재단가위 가구/인테리어>수예>수예용품/부자재'
  • 'diy 가죽공예 세트 왁스실 가죽바늘 7종 가구/인테리어>수예>수예용품/부자재'
  • '단추 썬그립 500세트 똑딱이단추 고급 국산 티단추 스냅 선그립 79컬러 가구/인테리어>수예>수예용품/부자재'
1.0
  • '도서 다루마 패턴북 6 가구/인테리어>수예>뜨개질>패키지'
  • '뜨개가방손잡이 우드 자연 큰 단단한 나무 잠금 가구/인테리어>수예>뜨개질>완제품'
  • '타월 담요 소파 손뜨개 여름 블랭킷 커버 코바늘 가구/인테리어>수예>뜨개질>완제품'
0.0
  • '우돌아트 동물이름표 기린 네임텍 스텐실 도안 1243 가구/인테리어>수예>기타수예'
  • '모루 공예 재료 부드러운 모루 - 초록 가구/인테리어>수예>기타수예'
  • '컬러점토 3개입 아모스 가구/인테리어>수예>기타수예'
5.0
  • 'OOE 덴마크 꽃실 자수실 510 727 가구/인테리어>수예>자수>실/바늘'
  • '데코샌드아트 명화도안 색모래 밤의 별매 중 X 2매입 가구/인테리어>수예>자수>도안'
  • '실십자수 동물 왕 사자 가족 대형 십자수 세트 패키지 DIY만들기 30x40 11CT HMA56704 가구/인테리어>수예>자수>패키지'
2.0
  • '누니액자 보석십자수 패브릭형 액자 60x90 프리미엄 클래식실버 가구/인테리어>수예>보석십자수'
  • '돈그림 황금돈나무 거실 현관 행운의 풍수 금전운 그-D 40x80 가구/인테리어>수예>보석십자수'
  • '보석십자수 빗 가구/인테리어>수예>보석십자수'

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_fi6")
# Run inference
preds = model("탑키드 만들기 경찰관 놀이 세트 3인용 가구/인테리어>수예>기타수예")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 8.8714 24
Label Training Sample Count
0.0 70
1.0 70
2.0 70
3.0 70
4.0 70
5.0 70
6.0 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
0.0104 1 0.5007 -
0.5208 50 0.4969 -
1.0417 100 0.4332 -
1.5625 150 0.0551 -
2.0833 200 0.0001 -
2.6042 250 0.0 -
3.125 300 0.0 -
3.6458 350 0.0 -
4.1667 400 0.0 -
4.6875 450 0.0 -
5.2083 500 0.0 -
5.7292 550 0.0 -
6.25 600 0.0 -
6.7708 650 0.0 -
7.2917 700 0.0 -
7.8125 750 0.0 -
8.3333 800 0.0 -
8.8542 850 0.0 -
9.375 900 0.0 -
9.8958 950 0.0 -
10.4167 1000 0.0 -
10.9375 1050 0.0 -
11.4583 1100 0.0 -
11.9792 1150 0.0 -
12.5 1200 0.0 -
13.0208 1250 0.0 -
13.5417 1300 0.0 -
14.0625 1350 0.0 -
14.5833 1400 0.0 -
15.1042 1450 0.0 -
15.625 1500 0.0 -
16.1458 1550 0.0 -
16.6667 1600 0.0 -
17.1875 1650 0.0 -
17.7083 1700 0.0 -
18.2292 1750 0.0 -
18.75 1800 0.0 -
19.2708 1850 0.0 -
19.7917 1900 0.0 -
20.3125 1950 0.0 -
20.8333 2000 0.0 -
21.3542 2050 0.0 -
21.875 2100 0.0 -
22.3958 2150 0.0 -
22.9167 2200 0.0 -
23.4375 2250 0.0 -
23.9583 2300 0.0 -
24.4792 2350 0.0 -
25.0 2400 0.0 -
25.5208 2450 0.0 -
26.0417 2500 0.0 -
26.5625 2550 0.0 -
27.0833 2600 0.0 -
27.6042 2650 0.0 -
28.125 2700 0.0 -
28.6458 2750 0.0 -
29.1667 2800 0.0 -
29.6875 2850 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}
}