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:

Fine-tuning a Sentence Transformer with contrastive learning.
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
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 6 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
2.0	'최화정 썬베드 피크닉 낮잠 비치체어 캠핑 접이식 휴대용 좌식의자 야외 가구/인테리어>아웃도어가구>야외의자' '편의점플라스틱의자비치행사야외캠핑주점테이블파라솔 가구/인테리어>아웃도어가구>야외의자' '수영장 카바나 풀파티 펜션 대형 소파 호텔 비치 태닝의자 카페 베드 썬베드 가구/인테리어>아웃도어가구>야외의자'
0.0	'아크릴 투명 어닝 고정 테라스 차양 현관 캐노피 베이 가구/인테리어>아웃도어가구>기타아웃도어가구' '캐노픽스 렉산 차양 비막이 비가림 어닝 650X2100 가구/인테리어>아웃도어가구>기타아웃도어가구' '기와 플라스틱 지붕자재 한옥 옛 중국식 기와 주택 벽장식 가구/인테리어>아웃도어가구>기타아웃도어가구'
5.0	'조립식정자 펜션 정원 정자만들기 조립식-3x3 미터 4 기둥 파빌리온 3면 시트 보드 테이블 가구/인테리어>아웃도어가구>정자' '조립식평상 테라스 낚시터 세트 옥상 원목 정원 정자 접이식 베란다 피크닉 가구/인테리어>아웃도어가구>정자' '시골 원두막 가구/인테리어>아웃도어가구>정자'
4.0	'야외 흔들의자 그네 벤치 원목 나무 카페 정원 펜션 가구/인테리어>아웃도어가구>정원그네' '야외 흔들 의자 스윙체어 소파 흔들그네 카페 차양 가구/인테리어>아웃도어가구>정원그네' '라탄 그네의자 덩굴의자 쿠션 요람 흔들의자 새둥지 가구/인테리어>아웃도어가구>정원그네'
3.0	'체어팩토리 마누카 테이블 600 철재 야외 테라스 정원 커피숍 카페 업소용 T5192 가구/인테리어>아웃도어가구>야외테이블' '라탄 원목 디자이너 의자 테이블 세트 야외 방수 파 -의자4개 60cm스틸카본원탁조합 가구/인테리어>아웃도어가구>야외테이블' '착한테이블 야외용테이블 원목 식탁 편의점 테라스 옥상 데크 4인 야외테이블 원목 농막 마당 테라스 가구/인테리어>아웃도어가구>야외테이블'
1.0	'야외 벤치 의자 체어 정원 광장 공원 철제 카페 테라스 야외용 가구/인테리어>아웃도어가구>야외벤치' '웨이팅의자 야외벤치 버스 정류장 벤치 카페 공원 투명 휴게실 가구/인테리어>아웃도어가구>야외벤치' '야외 벤치 의자 공원 카페 테라스 나무 스테인레스 원목 정류장 평벤치 긴 대기 가구/인테리어>아웃도어가구>야외벤치'

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_fi8")
# Run inference
preds = model("엔틱 철제 벤치 의자 등받이 정원 수목원 펜션 가구/인테리어>아웃도어가구>야외벤치")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	10.1333	21

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	0.4943	-
0.6024	50	0.497	-
1.2048	100	0.4986	-
1.8072	150	0.158	-
2.4096	200	0.015	-
3.0120	250	0.0001	-
3.6145	300	0.0	-
4.2169	350	0.0	-
4.8193	400	0.0	-
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

@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}
}

mini1013
/

master_cate_fi8