---
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: 1.0
      name: Accuracy
---

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

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 1.0      |

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

<!--
### 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   | 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
```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.*
-->