Hugging Face's logo

mini1013
/
master_cate_bc3

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
text-embeddings-inference
Model card Files
xet
Community
master_cate_bc3 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
08b2bfd verified
preview code
|
raw
history blame contribute delete
12.6 kB
 ---
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](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:** 10 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 |
|:------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 2.0 | <ul><li>'NEW 베일리바오 아기머리보호대 유아 아기헬맷 출산/육아 > 매트/안전용품 > 머리보호대'</li><li>'유아 안전모 쿠션 헬멧 아기 머리쿵 방지 베게 순면 출산 육아 선물 출산/육아 > 매트/안전용품 > 머리보호대'</li><li>'출산선물 젤리맘 머리쿵방지쿠션 아기머리보호대 출산/육아 > 매트/안전용품 > 머리보호대'</li></ul> |
| 9.0 | <ul><li>'콘센트 안전커버 1PCS 콘센트 보호 덮개 가리개 마개 감전방지캡 출산/육아 > 매트/안전용품 > 콘센트안전커버'</li><li>'콘센트 보호 커버 (2구/3구) 10EA 출산/육아 > 매트/안전용품 > 콘센트안전커버'</li><li>'아트사인 플러그안전커버 출산 육아 L4002 출산/육아 > 매트/안전용품 > 콘센트안전커버'</li></ul> |
| 4.0 | <ul><li>'러브포베이비 투명 아기 모서리 보호대 코너 가드 기둥 책상 보호 방지 쿠션 출산/육아 > 매트/안전용품 > 모서리보호대'</li><li>'모서리보호대 침대 식탁 기둥 책상 코너 투명 모서리 안전 쿠션 커버 모서리가드 출산/육아 > 매트/안전용품 > 모서리보호대'</li><li>'메이스 아기 모서리 보호대 책상 기둥 코너 보호 가드 쿠션 17mm두께 형 2M 출산/육아 > 매트/안전용품 > 모서리보호대'</li></ul> |
| 1.0 | <ul><li>'푸푸 유아 아기 디딤대 높이조절 논슬립 아기계단 세면대 발판 출산/육아 > 매트/안전용품 > 디딤대'</li><li>'네이쳐러브메레 ABC 아기디딤대 / 유아 어린이 2단발판 욕실 세면대 스텝스툴 미끄럼방지 출산/육아 > 매트/안전용품 > 디딤대'</li><li>'아기계단 아기화장실계단 욕실 침대 유아발받침대 세면대발판 출산/육아 > 매트/안전용품 > 디딤대'</li></ul> |
| 7.0 | <ul><li>'쿨두안전문 스마트롤 안전문 출산/육아 > 매트/안전용품 > 안전문'</li><li>'리포소홈 아기 유아 안전문 펜스 울타리 가드 출산/육아 > 매트/안전용품 > 안전문'</li><li>'코아일랜드 접이식 아기 유아 안전 펜스 울타리 안전문 단품 출산/육아 > 매트/안전용품 > 안전문'</li></ul> |
| 5.0 | <ul><li>'돗투돗 아기 무릎보호대 롤리팝 이중 걸음마 보조기 성장판 돌 유아 아이보리 베이비바니 출산/육아 > 매트/안전용품 > 무릎보호대'</li><li>'소로이 아기 유아동 신생아 미끄럼방지 양말 무릎보호대 패드 세트 S 출산/육아 > 매트/안전용품 > 무릎보호대'</li><li>'베이지메모리즈 감성 자수 아기무릎보호대 신생아 유아무릎보호대 뚱곰이 출산/육아 > 매트/안전용품 > 무릎보호대'</li></ul> |
| 6.0 | <ul><li>'아가드 투명 문 손끼임방지 출산/육아 > 매트/안전용품 > 문닫힘방지'</li><li>'문쾅방지 패드 도어 쿠션 실리콘 범퍼 현관문 충격보호 스토퍼 3m범폰 출산/육아 > 매트/안전용품 > 문닫힘방지'</li><li>'손끼임방지 문쾅방지 문닫힘방지 문꽝 문소리 방문 도어 스토퍼 충격 문틈 커버 쿠션 출산/육아 > 매트/안전용품 > 문닫힘방지'</li></ul> |
| 0.0 | <ul><li>'제로블럭 프리미엄 퍼즐매트 60x60x2.6cm 30평 출산/육아 > 매트/안전용품 > 놀이방매트 > 퍼즐매트'</li><li>'알집매트 울타리 벽매트 40×70×4cm 출산/육아 > 매트/안전용품 > 놀이방매트 > 벽매트/기타'</li><li>'리포소 층간소음 롤매트 100x50x1.6cm 출산/육아 > 매트/안전용품 > 놀이방매트 > 롤매트'</li></ul> |
| 3.0 | <ul><li>'독일 내수용 모스킨토 모기패치 42개입 출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품'</li><li>'개별포장 색상선택 벅스쉴드 모기팔찌 모기퇴치 벌레 기피 팔찌 방향 밴드 출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품'</li><li>'함소아화장품 포포패치 아이편해 유칼립투스 오렌지 X 6개 출산/육아 > 매트/안전용품 > 모기밴드/퇴치용품'</li></ul> |
| 8.0 | <ul><li>'냉장고 잠금장치 냉동실 문열림 방지 안전 잠금장치 대형 화이트 출산/육아 > 매트/안전용품 > 안전잠금장치'</li><li>'유아 고양이 문 열림 열기 방지 아기 방문 고리 도어 손잡이 안전 잠금 장치 출산/육아 > 매트/안전용품 > 안전잠금장치'</li><li>'서랍 자석 잠금 장치 문 고리 열림 방지 아기 안전 6P 출산/육아 > 매트/안전용품 > 안전잠금장치'</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("mini1013/master_cate_bc3")
# Run inference
preds = model("다이소 원터치 콘센트 안전 커버 4P 56873 출산/육아 > 매트/안전용품 > 콘센트안전커버")
```
<!--
### 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 | 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
```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.*
-->