master_cate_bc3 / README.md

mini1013

Push model using huggingface_hub.

08b2bfd verified about 1 year ago

preview code

raw

history blame contribute delete

12.6 kB

metadata

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 아기 무릎보호대 유아 돌 성장판 패드 스마일 무릎보호대 베이지  출산/육아 > 매트/안전용품 > 무릎보호대
  - text: 함소아화장품 포포패치 아이편해 유칼립투스 오렌지 X 6개  출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품
  - text: 돗투돗 아기 무릎보호대 롤리팝 이중 걸음마 보조기 성장판 돌 유아 아이보리 베이비바니  출산/육아 > 매트/안전용품 > 무릎보호대
  - text: 콘센트 안전커버 마개 안전캡 아기 멀티탭 안전덮개 실리콘 보호캡  출산/육아 > 매트/안전용품 > 콘센트안전커버
  - text: 다이소 원터치 콘센트 안전 커버 4P 56873  출산/육아 > 매트/안전용품 > 콘센트안전커버
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: mini1013/master_domain

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: 10 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	'NEW 베일리바오 아기머리보호대 유아 아기헬맷 출산/육아 > 매트/안전용품 > 머리보호대' '유아 안전모 쿠션 헬멧 아기 머리쿵 방지 베게 순면 출산 육아 선물 출산/육아 > 매트/안전용품 > 머리보호대' '출산선물 젤리맘 머리쿵방지쿠션 아기머리보호대 출산/육아 > 매트/안전용품 > 머리보호대'
9.0	'콘센트 안전커버 1PCS 콘센트 보호 덮개 가리개 마개 감전방지캡 출산/육아 > 매트/안전용품 > 콘센트안전커버' '콘센트 보호 커버 (2구/3구) 10EA 출산/육아 > 매트/안전용품 > 콘센트안전커버' '아트사인 플러그안전커버 출산 육아 L4002 출산/육아 > 매트/안전용품 > 콘센트안전커버'
4.0	'러브포베이비 투명 아기 모서리 보호대 코너 가드 기둥 책상 보호 방지 쿠션 출산/육아 > 매트/안전용품 > 모서리보호대' '모서리보호대 침대 식탁 기둥 책상 코너 투명 모서리 안전 쿠션 커버 모서리가드 출산/육아 > 매트/안전용품 > 모서리보호대' '메이스 아기 모서리 보호대 책상 기둥 코너 보호 가드 쿠션 17mm두께 형 2M 출산/육아 > 매트/안전용품 > 모서리보호대'
1.0	'푸푸 유아 아기 디딤대 높이조절 논슬립 아기계단 세면대 발판 출산/육아 > 매트/안전용품 > 디딤대' '네이쳐러브메레 ABC 아기디딤대 / 유아 어린이 2단발판 욕실 세면대 스텝스툴 미끄럼방지 출산/육아 > 매트/안전용품 > 디딤대' '아기계단 아기화장실계단 욕실 침대 유아발받침대 세면대발판 출산/육아 > 매트/안전용품 > 디딤대'
7.0	'쿨두안전문 스마트롤 안전문 출산/육아 > 매트/안전용품 > 안전문' '리포소홈 아기 유아 안전문 펜스 울타리 가드 출산/육아 > 매트/안전용품 > 안전문' '코아일랜드 접이식 아기 유아 안전 펜스 울타리 안전문 단품 출산/육아 > 매트/안전용품 > 안전문'
5.0	'돗투돗 아기 무릎보호대 롤리팝 이중 걸음마 보조기 성장판 돌 유아 아이보리 베이비바니 출산/육아 > 매트/안전용품 > 무릎보호대' '소로이 아기 유아동 신생아 미끄럼방지 양말 무릎보호대 패드 세트 S 출산/육아 > 매트/안전용품 > 무릎보호대' '베이지메모리즈 감성 자수 아기무릎보호대 신생아 유아무릎보호대 뚱곰이 출산/육아 > 매트/안전용품 > 무릎보호대'
6.0	'아가드 투명 문 손끼임방지 출산/육아 > 매트/안전용품 > 문닫힘방지' '문쾅방지 패드 도어 쿠션 실리콘 범퍼 현관문 충격보호 스토퍼 3m범폰 출산/육아 > 매트/안전용품 > 문닫힘방지' '손끼임방지 문쾅방지 문닫힘방지 문꽝 문소리 방문 도어 스토퍼 충격 문틈 커버 쿠션 출산/육아 > 매트/안전용품 > 문닫힘방지'
0.0	'제로블럭 프리미엄 퍼즐매트 60x60x2.6cm 30평 출산/육아 > 매트/안전용품 > 놀이방매트 > 퍼즐매트' '알집매트 울타리 벽매트 40×70×4cm 출산/육아 > 매트/안전용품 > 놀이방매트 > 벽매트/기타' '리포소 층간소음 롤매트 100x50x1.6cm 출산/육아 > 매트/안전용품 > 놀이방매트 > 롤매트'
3.0	'독일 내수용 모스킨토 모기패치 42개입 출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품' '개별포장 색상선택 벅스쉴드 모기팔찌 모기퇴치 벌레 기피 팔찌 방향 밴드 출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품' '함소아화장품 포포패치 아이편해 유칼립투스 오렌지 X 6개 출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품'
8.0	'냉장고 잠금장치 냉동실 문열림 방지 안전 잠금장치 대형 화이트 출산/육아 > 매트/안전용품 > 안전잠금장치' '유아 고양이 문 열림 열기 방지 아기 방문 고리 도어 손잡이 안전 잠금 장치 출산/육아 > 매트/안전용품 > 안전잠금장치' '서랍 자석 잠금 장치 문 고리 열림 방지 아기 안전 6P 출산/육아 > 매트/안전용품 > 안전잠금장치'

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_bc3")
# Run inference
preds = model("다이소 원터치 콘센트 안전 커버 4P 56873  출산/육아 > 매트/안전용품 > 콘센트안전커버")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	9	14.4541	34

Label	Training Sample Count
0.0	16
1.0	20
2.0	20
3.0	20
4.0	20
5.0	20
6.0	20
7.0	20
8.0	20
9.0	20

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
0.0256	1	0.4765	-
1.2821	50	0.4502	-
2.5641	100	0.204	-
3.8462	150	0.061	-
5.1282	200	0.0263	-
6.4103	250	0.0101	-
7.6923	300	0.0003	-
8.9744	350	0.0001	-
10.2564	400	0.0001	-
11.5385	450	0.0001	-
12.8205	500	0.0001	-
14.1026	550	0.0001	-
15.3846	600	0.0	-
16.6667	650	0.0	-
17.9487	700	0.0	-
19.2308	750	0.0	-
20.5128	800	0.0	-
21.7949	850	0.0	-
23.0769	900	0.0	-
24.3590	950	0.0	-
25.6410	1000	0.0	-
26.9231	1050	0.0	-
28.2051	1100	0.0	-
29.4872	1150	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}
}