---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Die elektronische Patientenakte ist ein großer Schritt nach vorn für das deutsche
    Gesundheitswesen. Sie ermöglicht eine bessere Koordination zwischen Ärzten und
    sorgt dafür, dass Patienten immer die richtigen Informationen erhalten.
- text: Die ePA könnte das Gesundheitssystem verbessern, aber es ist noch unklar,
    wie sie in der Praxis funktioniert.
- text: Die Möglichkeit, meine Daten selbst zu verwalten und zu entscheiden, wer darauf
    zugreifen kann, macht die ePA für mich sehr attraktiv.
- text: Die ePA ist ein komplexes Thema, bei dem ich noch nicht weiß, ob ich dafür
    oder dagegen bin.
- text: Die ePA wird uns als Fortschritt verkauft, aber in Wirklichkeit eröffnet sie
    nur neue Möglichkeiten für Missbrauch und Datenlecks.
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
---

# SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) 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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 128 tokens
- **Number of Classes:** 3 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                                                                                                                                                                                                                                                                                                                                                                                                                                  |
|:-------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| neutral      | <ul><li>'Ich bin weder komplett für noch gegen die ePA. Es kommt darauf an, wie sie umgesetzt wird.'</li><li>'Die ePA wird von manchen begrüßt und von anderen kritisiert. Ich warte ab, wie sie sich entwickelt.'</li><li>'Ich bin neutral, was die ePA betrifft. Sie könnte sowohl Vorteile als auch Nachteile haben.'</li></ul>                                                                                                        |
| ablehnend    | <ul><li>'Ich habe kein Vertrauen in die ePA, weil es zu viele ungelöste Probleme gibt, besonders was den Datenschutz betrifft.'</li><li>'Ich lehne die ePA ab, weil ich nicht möchte, dass so viele Informationen über mich zentral gespeichert werden.'</li><li>'Die ePA ist ein weiterer Schritt in Richtung Überwachung. Ich habe Bedenken, dass Versicherungen und Arbeitgeber irgendwann Zugriff darauf erhalten könnten.'</li></ul> |
| befürwortend | <ul><li>'Ich finde es gut, dass mit der ePA auch Notfalldaten sofort verfügbar sind, das kann im Ernstfall Leben retten.'</li><li>'Die ePA ist ein wichtiger Schritt in Richtung Digitalisierung und Modernisierung des Gesundheitssystems.'</li><li>'Ich sehe in der ePA eine große Chance, um den Austausch von Gesundheitsdaten zu verbessern und so die Behandlungsqualität zu steigern.'</li></ul>                                   |

## 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("setfit_model_id")
# Run inference
preds = model("Die ePA ist ein komplexes Thema, bei dem ich noch nicht weiß, ob ich dafür oder dagegen bin.")
```

<!--
### 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   | 11  | 16.9365 | 23  |

| Label        | Training Sample Count |
|:-------------|:----------------------|
| ablehnend    | 21                    |
| neutral      | 21                    |
| befürwortend | 21                    |

### Training Hyperparameters
- batch_size: (3, 3)
- num_epochs: (2, 2)
- max_steps: -1
- sampling_strategy: oversampling
- 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: 63
- eval_max_steps: -1
- load_best_model_at_end: False

### Training Results
| Epoch  | Step | Training Loss | Validation Loss |
|:------:|:----:|:-------------:|:---------------:|
| 0.0011 | 1    | 0.151         | -               |
| 0.0567 | 50   | 0.184         | -               |
| 0.1134 | 100  | 0.1252        | -               |
| 0.1701 | 150  | 0.0585        | -               |
| 0.2268 | 200  | 0.0116        | -               |
| 0.2834 | 250  | 0.0039        | -               |
| 0.3401 | 300  | 0.002         | -               |
| 0.3968 | 350  | 0.0013        | -               |
| 0.4535 | 400  | 0.0007        | -               |
| 0.5102 | 450  | 0.0008        | -               |
| 0.5669 | 500  | 0.0005        | -               |
| 0.6236 | 550  | 0.0005        | -               |
| 0.6803 | 600  | 0.0004        | -               |
| 0.7370 | 650  | 0.0004        | -               |
| 0.7937 | 700  | 0.0003        | -               |
| 0.8503 | 750  | 0.0003        | -               |
| 0.9070 | 800  | 0.0003        | -               |
| 0.9637 | 850  | 0.0002        | -               |
| 1.0204 | 900  | 0.0002        | -               |
| 1.0771 | 950  | 0.0001        | -               |
| 1.1338 | 1000 | 0.0002        | -               |
| 1.1905 | 1050 | 0.0001        | -               |
| 1.2472 | 1100 | 0.0002        | -               |
| 1.3039 | 1150 | 0.0002        | -               |
| 1.3605 | 1200 | 0.0002        | -               |
| 1.4172 | 1250 | 0.0001        | -               |
| 1.4739 | 1300 | 0.0001        | -               |
| 1.5306 | 1350 | 0.0001        | -               |
| 1.5873 | 1400 | 0.0001        | -               |
| 1.6440 | 1450 | 0.0001        | -               |
| 1.7007 | 1500 | 0.0001        | -               |
| 1.7574 | 1550 | 0.0001        | -               |
| 1.8141 | 1600 | 0.0001        | -               |
| 1.8707 | 1650 | 0.0001        | -               |
| 1.9274 | 1700 | 0.0001        | -               |
| 1.9841 | 1750 | 0.0001        | -               |

### Framework Versions
- Python: 3.12.12
- SetFit: 1.1.3
- Sentence Transformers: 5.2.3
- Transformers: 4.44.2
- PyTorch: 2.10.0
- Datasets: 4.6.0
- 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.*
-->