---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Как подать документы, если я нахожусь в другом городе?
- text: Какие перспективы после окончания ВУЦ?
- text: Как проходит апелляция по результатам экзаменов?
- text: Как узнать, какие документы нужны для поступления на магистратуру?
- text: Какие достижения учитываются для аспирантуры?
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: cointegrated/rubert-tiny2
model-index:
- name: SetFit with cointegrated/rubert-tiny2
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: accuracy
      value: 0.7857142857142857
      name: Accuracy
---

# SetFit with cointegrated/rubert-tiny2

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2) 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:** [cointegrated/rubert-tiny2](https://huggingface.co/cointegrated/rubert-tiny2)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 2048 tokens
- **Number of Classes:** 8 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                                                                                                                                                                                                                           |
|:------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 4     | <ul><li>'Как узнать результаты отбора в ВУЦ?'</li><li>'Как узнать, какие ВУЦ есть в моем регионе?'</li><li>'Какие экзамены принимаются в ВУЦ?'</li></ul>                                                                           |
| 1     | <ul><li>'Как подать документы на платное отделение?'</li><li>'Как узнать, какие документы нужны для поступления на педагогические специальности?'</li><li>'Какие ошибки чаще всего допускают при подаче документов?'</li></ul>     |
| 3     | <ul><li>'Как узнать, какие специальности доступны для дистанционного обучения?'</li><li>'Можно ли подать документы на специальности с разными условиями поступления?'</li><li>'Как узнать конкуренцию на специальность?'</li></ul> |
| 2     | <ul><li>'Сколько баллов можно получить за индивидуальные достижения?'</li><li>'Можно ли подать достижения после подачи документов?'</li><li>'Сколько максимум баллов можно получить за достижения?'</li></ul>                      |
| 5     | <ul><li>'Можно ли поступить на заочное отделение после колледжа?'</li><li>'Как подготовиться к вступительным экзаменам после колледжа'</li><li>'Можно ли поступить на бюджет после колледжа?'</li></ul>                            |
| 7     | <ul><li>'Какие документы нужны для заселения в общежитие?'</li><li>'Как узнать, есть ли свободные места в общежитии?'</li><li>'Какие условия проживания в общежитии?'</li></ul>                                                    |
| 0     | <ul><li>'Как узнать, что мои документы не потерялись?'</li><li>'Как подать заявление на несколько специальностей?'</li><li>'Какие сроки рассмотрения заявлений?'</li></ul>                                                         |
| 6     | <ul><li>'Какие ошибки чаще всего допускают на экзаменах?'</li><li>'Какие документы нужны на экзамен?'</li><li>'Как получить консультацию по вступительным испытаниям?'</li></ul>                                                   |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 0.7857   |

## 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("Maxim01/Intent_Classification_Test")
# Run inference
preds = model("Какие перспективы после окончания ВУЦ?")
```

<!--
### 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   | 6.7143 | 11  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0     | 33                    |
| 1     | 32                    |
| 2     | 32                    |
| 3     | 33                    |
| 4     | 31                    |
| 5     | 15                    |
| 6     | 15                    |
| 7     | 33                    |

### Training Hyperparameters
- batch_size: (8, 8)
- num_epochs: (1, 1)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 20
- body_learning_rate: (2e-05, 2e-05)
- head_learning_rate: 2e-05
- 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 |
|:------:|:----:|:-------------:|:---------------:|
| 0.0009 | 1    | 0.1623        | -               |
| 0.0446 | 50   | 0.2355        | -               |
| 0.0893 | 100  | 0.1756        | -               |
| 0.1339 | 150  | 0.1501        | -               |
| 0.1786 | 200  | 0.1329        | -               |
| 0.2232 | 250  | 0.119         | -               |
| 0.2679 | 300  | 0.1048        | -               |
| 0.3125 | 350  | 0.0928        | -               |
| 0.3571 | 400  | 0.0902        | -               |
| 0.4018 | 450  | 0.0841        | -               |
| 0.4464 | 500  | 0.0903        | -               |
| 0.4911 | 550  | 0.0969        | -               |
| 0.5357 | 600  | 0.0747        | -               |
| 0.5804 | 650  | 0.0704        | -               |
| 0.625  | 700  | 0.0809        | -               |
| 0.6696 | 750  | 0.0793        | -               |
| 0.7143 | 800  | 0.0711        | -               |
| 0.7589 | 850  | 0.0687        | -               |
| 0.8036 | 900  | 0.0726        | -               |
| 0.8482 | 950  | 0.0718        | -               |
| 0.8929 | 1000 | 0.0751        | -               |
| 0.9375 | 1050 | 0.0635        | -               |
| 0.9821 | 1100 | 0.0723        | -               |

### Framework Versions
- Python: 3.11.12
- SetFit: 1.1.2
- Sentence Transformers: 3.4.1
- Transformers: 4.51.3
- PyTorch: 2.6.0+cu124
- Datasets: 3.5.1
- Tokenizers: 0.21.1

## 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.*
-->