Hugging Face's logo

mini1013
/
master_cate_fi13

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_fi13 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
b19782a verified
preview code
|
raw
history blame contribute delete
14.5 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 화장대의자 1인 스툴 모던 심플 인테리어 체어 스툴 간이 의자 가구/인테리어>침실가구>화장대>화장대의자
  - text: 가벼운 럭셔리 슬레이트 식탁 소형 거실 식탁 직사각형 커피 테이블 모던 심플 홈 가구 가구/인테리어>침실가구>침실세트
  - text: 대나무 플립 신발 캐비닛 절약 숨겨진 신발거치대 장식 입구 홀 가구 가구/인테리어>침실가구>침실세트
  - text: 동서가구 히루 LPM 편백 800 수납선반옷장 드레스룸 D1021 가구/인테리어>침실가구>장롱/붙박이장>드레스룸
  - text: 시몬스 뷰티레스트 허브 매트리스 Q 가구/인테리어>침실가구>매트리스>퀸매트리스
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
            name: Accuracy

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:

  1. Fine-tuning a Sentence Transformer with contrastive learning.
  2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
1.0
  • '지누스 클라우드 럭스S 스프링 매트리스 30cm SS 가구/인테리어>침실가구>매트리스>슈퍼싱글매트리스'
  • '지누스 클라우드 에어 메모리폼 매트리스 30cm Q 가구/인테리어>침실가구>매트리스>퀸매트리스'
  • '지누스 클라우드 럭스S 메모리폼 매트리스 35cm Q 가구/인테리어>침실가구>매트리스>퀸매트리스'
8.0
  • '풀커버링 특대형 화장품 정리함 화장대 향수 보관함 3 colors 가구/인테리어>침실가구>화장대>화장품정리함'
  • '이노센트 제나프 오크화이트 서랍 화장대 거울포함 i100151 가구/인테리어>침실가구>화장대>일반화장대'
  • '오투 피카 3단 콘솔 가구/인테리어>침실가구>화장대>콘솔'
6.0
  • '입체토끼 거실화 경산점 가구/인테리어>침실가구>침실세트'
  • '노슨 1000 서랍장 세트 가구/인테리어>침실가구>침실세트'
  • '스윗 체크 거실화 L 남성용 경산점 가구/인테리어>침실가구>침실세트'
7.0
  • '마켓비 나무 유리 협탁 가구/인테리어>침실가구>협탁'
  • '보루네오 엘리브 델리 2단 서랍 협탁 골드레그 pe019 가구/인테리어>침실가구>협탁'
  • '에보니아 몬테르 2단 협탁 가구/인테리어>침실가구>협탁'
3.0
  • '동서가구 로피엘 3단 와이드 하이그로시 서랍장 1500 DF924355 가구/인테리어>침실가구>서랍장'
  • '에보니아 마르스on 원목 5단 서랍장 800 가구/인테리어>침실가구>서랍장'
  • '이안퍼니 밀레 와이드 5단 서랍장 1000 EAN-PL011 가구/인테리어>침실가구>서랍장'
4.0
  • '리바트 아일 드레스룸 800 연결형 4단서랍옷장 가구/인테리어>침실가구>장롱/붙박이장>드레스룸'
  • '한샘 피카 옷장 100cm 높이216cm 화이트 하이글로시 행거형 A타입 가구/인테리어>침실가구>장롱/붙박이장>옷장'
  • '한샘 샘베딩 클로즈 옷장세트 120cm 높이216cm 행거형 가구/인테리어>침실가구>장롱/붙박이장>옷장'
0.0
  • '접이식 탁상거울 화장대 스탠드 미니 화장 메이크업 거울 가구/인테리어>침실가구>거울>탁상거울'
  • '우진아트전통공예품 휴대용 고급 자개손거울 접이식 양면케이스 소형 미니 작은원형화장거울 한국전통공예품 외국인선물 기념품 가구/인테리어>침실가구>거울>손거울'
  • '화장대 거울 800 L3114 가구/인테리어>침실가구>거울>벽걸이거울'
5.0
  • '이노센트 그룸 높은 9서랍 빅수납침대 SS 가구/인테리어>침실가구>침대>슈퍼싱글침대'
  • '인테리어 베드벤치 NORDIC LOG 등나무 침실 침대 소파 꼬리 의자 단단한 홈 식당 가구/인테리어>침실가구>침대>베드벤치'
  • '체나레 벤추라 원목 평상형 침대프레임 SS 가구/인테리어>침실가구>침대>침대프레임'
2.0
  • '티테이블세트 2인 북유럽 베란다 발코니 카페 테이블 의자 세트 가구/인테리어>침실가구>부부테이블'
  • '2인 테이블세트 티테이블 원형 부부 카페 베란다 티 탁자 세트 철제 가구/인테리어>침실가구>부부테이블'
  • '더리체 에르비스 탁자 MS-3417 가구/인테리어>침실가구>부부테이블'

Evaluation

Metrics

Label Accuracy
all 1.0

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_fi13")
# Run inference
preds = model("시몬스 뷰티레스트 허브 매트리스 Q 가구/인테리어>침실가구>매트리스>퀸매트리스")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 8.2846 19
Label Training Sample Count
0.0 70
1.0 70
2.0 69
3.0 70
4.0 70
5.0 70
6.0 70
7.0 70
8.0 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
0.0081 1 0.4686 -
0.4065 50 0.4974 -
0.8130 100 0.5009 -
1.2195 150 0.4141 -
1.6260 200 0.1421 -
2.0325 250 0.0417 -
2.4390 300 0.0104 -
2.8455 350 0.0007 -
3.2520 400 0.0004 -
3.6585 450 0.0002 -
4.0650 500 0.0002 -
4.4715 550 0.0002 -
4.8780 600 0.0001 -
5.2846 650 0.0002 -
5.6911 700 0.0001 -
6.0976 750 0.0001 -
6.5041 800 0.0001 -
6.9106 850 0.0001 -
7.3171 900 0.0001 -
7.7236 950 0.0001 -
8.1301 1000 0.0001 -
8.5366 1050 0.0001 -
8.9431 1100 0.0 -
9.3496 1150 0.0 -
9.7561 1200 0.0 -
10.1626 1250 0.0 -
10.5691 1300 0.0 -
10.9756 1350 0.0 -
11.3821 1400 0.0 -
11.7886 1450 0.0 -
12.1951 1500 0.0 -
12.6016 1550 0.0 -
13.0081 1600 0.0 -
13.4146 1650 0.0 -
13.8211 1700 0.0 -
14.2276 1750 0.0 -
14.6341 1800 0.0 -
15.0407 1850 0.0 -
15.4472 1900 0.0 -
15.8537 1950 0.0 -
16.2602 2000 0.0 -
16.6667 2050 0.0 -
17.0732 2100 0.0 -
17.4797 2150 0.0 -
17.8862 2200 0.0 -
18.2927 2250 0.0 -
18.6992 2300 0.0 -
19.1057 2350 0.0 -
19.5122 2400 0.0 -
19.9187 2450 0.0 -
20.3252 2500 0.0 -
20.7317 2550 0.0 -
21.1382 2600 0.0 -
21.5447 2650 0.0 -
21.9512 2700 0.0 -
22.3577 2750 0.0 -
22.7642 2800 0.0 -
23.1707 2850 0.0 -
23.5772 2900 0.0 -
23.9837 2950 0.0 -
24.3902 3000 0.0 -
24.7967 3050 0.0 -
25.2033 3100 0.0 -
25.6098 3150 0.0 -
26.0163 3200 0.0 -
26.4228 3250 0.0 -
26.8293 3300 0.0 -
27.2358 3350 0.0 -
27.6423 3400 0.0 -
28.0488 3450 0.0 -
28.4553 3500 0.0 -
28.8618 3550 0.0 -
29.2683 3600 0.0 -
29.6748 3650 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}
}