---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 고급형 검도 손목보호대 검도보호대 일본산 스포츠/레저>검도>검도보호용품
- text: 검좌대 검도 목검 거치대 사무라이검 받침대 플루트 진열대 검 스탠드 죽도 선반 스포츠/레저>검도>기타검도용품
- text: 검도단 탁상 사무실용 대나무 디스플레이 Tier 478490 1 스포츠/레저>검도>검도보호용품
- text: 스탠드 검도 타격대 타이어 죽도 훈련 연습 수련 도장 스포츠/레저>검도>타격대
- text: 검거치대 좌대 거치대 진열대 검받침대 사극 무술 랙 소품 목도 스포츠/레저>검도>기타검도용품
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                                                                                                                                                                                                               |
|:------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 0.0   | <ul><li>'검도 장갑 호완 보호대 호구 손 보호 장비 검도용품 스포츠/레저>검도>검도보호용품'</li><li>'검도호구 장비 보호대 호면 세트 갑옷 방어구 호완 머리 부품 입문용 손목 갑상 턱 초보자용 스포츠/레저>검도>검도보호용품'</li><li>'나인 더 가든 구사쿠라 체리 완제품 여아용 클로즈 토 가죽 미디엄 건축 t3l 스포츠/레저>검도>검도보호용품'</li></ul> |
| 1.0   | <ul><li>'호구가방 검도 캐리어 방어구 장비 대용량 배낭 백팩 스포츠/레저>검도>기타검도용품'</li><li>'목검 거치대 받침대 검도 검 진열대 죽도 보관함 홀더 스포츠/레저>검도>기타검도용품'</li><li>'검좌대 원목 랙 도검좌대 사극 무술 검도 목도 소품 장식용 스탠드 목검 선반 스포츠/레저>검도>기타검도용품'</li></ul>                       |
| 2.0   | <ul><li>'검도 백색 검도복 검도 도복 스포츠/레저 > 검도 > 도복'</li><li>'검도 도복 프리미엄 검도복 선 (SUN) 스포츠/레저 > 검도 > 도복'</li><li>'뉴페이스 도복 상하세트 C4B-2 스포츠/레저>검도>도복'</li></ul>                                                                       |
| 3.0   | <ul><li>'성심 고도형 죽도 39호 스포츠/레저>검도>죽도'</li><li>'단심 시합용 죽도 39호 스포츠/레저>검도>죽도'</li><li>'충신 시합용 죽도 39호 스포츠/레저>검도>죽도'</li></ul>                                                                                               |
| 4.0   | <ul><li>'봉집 무술용품 목검가방 죽도가방 스포츠/레저 > 검도 > 죽도집/부속품'</li><li>'검가방/천검집(가검용) G-12D 스포츠/레저 > 검도 > 죽도집/부속품'</li><li>'검도 죽도 가방 목검 주머니 패브릭 목검집 스트랩 휴대용 스포츠/레저 > 검도 > 죽도집/부속품'</li></ul>                                         |
| 5.0   | <ul><li>'목인장 원목 샌드백 영춘권 무술 복싱 목각 타격대 1 7m-옵션사진참조 스포츠/레저>검도>타격대'</li><li>'검도 연습 타격대 스탠드 죽도 훈련 수련 샌드백 더미 연습용 수련대 펜싱 타겟 기술 스포츠/레저>검도>타격대'</li><li>'검도 타격대 샌드백 찌르기 연습용 죽도 수련대 무술 스포츠/레저>검도>타격대'</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_sl0")
# Run inference
preds = model("고급형 검도 손목보호대 검도보호대 일본산 스포츠/레저>검도>검도보호용품")
```

<!--
### 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   | 9.5927 | 19  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0.0   | 70                    |
| 1.0   | 70                    |
| 2.0   | 12                    |
| 3.0   | 15                    |
| 4.0   | 11                    |
| 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0204  | 1    | 0.4824        | -               |
| 1.0204  | 50   | 0.4133        | -               |
| 2.0408  | 100  | 0.0315        | -               |
| 3.0612  | 150  | 0.0021        | -               |
| 4.0816  | 200  | 0.0001        | -               |
| 5.1020  | 250  | 0.0           | -               |
| 6.1224  | 300  | 0.0           | -               |
| 7.1429  | 350  | 0.0           | -               |
| 8.1633  | 400  | 0.0           | -               |
| 9.1837  | 450  | 0.0           | -               |
| 10.2041 | 500  | 0.0           | -               |
| 11.2245 | 550  | 0.0           | -               |
| 12.2449 | 600  | 0.0           | -               |
| 13.2653 | 650  | 0.0           | -               |
| 14.2857 | 700  | 0.0           | -               |
| 15.3061 | 750  | 0.0           | -               |
| 16.3265 | 800  | 0.0           | -               |
| 17.3469 | 850  | 0.0           | -               |
| 18.3673 | 900  | 0.0           | -               |
| 19.3878 | 950  | 0.0           | -               |
| 20.4082 | 1000 | 0.0           | -               |
| 21.4286 | 1050 | 0.0           | -               |
| 22.4490 | 1100 | 0.0           | -               |
| 23.4694 | 1150 | 0.0           | -               |
| 24.4898 | 1200 | 0.0           | -               |
| 25.5102 | 1250 | 0.0           | -               |
| 26.5306 | 1300 | 0.0           | -               |
| 27.5510 | 1350 | 0.0           | -               |
| 28.5714 | 1400 | 0.0           | -               |
| 29.5918 | 1450 | 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.*
-->