Hugging Face's logo

mini1013
/
master_cate_fi8

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fi8 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
fa42359 verified
preview code
|
raw
history blame contribute delete
12.4 kB
metadata
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 파고라 테라스 조립식 정자 방갈로 펜션 바베큐장 정원 팔각정 원두막 가구/인테리어>아웃도어가구>정자
  - text: 흔들 의자 회전 공중 바구니 그네 라탄 베란다 로맨 -화이트-팔걸이 있음 가구/인테리어>아웃도어가구>정원그네
  - text: 엔틱 철제 벤치 의자 등받이 정원 수목원 펜션 가구/인테리어>아웃도어가구>야외벤치
  - text: 공원벤치 야외의자 철제 원목 방부목 평벤치 등받이 휴식 긴의자 테이블 세트 옥외용 가구/인테리어>아웃도어가구>야외벤치
  - text: 폴리카보네이트 렉산골판 비가림 지붕자재 차양 FRP 가구/인테리어>아웃도어가구>기타아웃도어가구
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
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}
}