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: 5 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
3.0	'에이트룸 뱀부 프릴 시어서커 베개커버 50X70 가구/인테리어>베개>베개커버' '파르페by알레르망 휴비스 듀라론 냉감 베개커버 방석 바디필로우 쇼파패드 냉감패드 쿨매트 4인 75x240 가구/인테리어>베개>베개커버' '마틸라 NEW컬러 미드센추리 빈티지맨션 60수 고밀도순면 베개커버-11컬러 가구/인테리어>베개>베개커버'
4.0	'마스터유닛2 - 소프트 가구/인테리어>베개>베개커버세트' '제이앤우 기절베개 홈랩 오리지널 기절베개 속통 세트구성 파인애플 베개 릴렉스 필로우 베개커버 통세탁 진드기차단 가구/인테리어>베개>베개커버세트' '제이앤우 기절베개 오리지널 기절베개 세트구성 호텔식 베개 통세탁가능 가구/인테리어>베개>베개커버세트'
0.0	'즐잠 메밀베개 편백나무 경추베개 목디스크 거북목 일자목 목침 가구/인테리어>베개>계절베개' '조은잠 특허받은 허리베개 요추베개 다용도 교정베개 가구/인테리어>베개>계절베개' '메이슬립 메모리폼 경추 베개 거북목 일자목 목이편한 숙면 편하베개 가구/인테리어>베개>계절베개'
2.0	'스패로우 스프링 필로우 메모리폼 베개 가구/인테리어>베개>메모리폼베개' '템퍼 템퍼베개 오리지날 베개 S 가구/인테리어>베개>메모리폼베개' '템퍼 밀레니엄 베개 SmartCool 가구/인테리어>베개>메모리폼베개'
1.0	'3D와플 경추 견인 베개 메모리폼 라텍스 베게 배게 가구/인테리어>베개>라텍스베개' '일자목 안락 낮은 베개 거북목 목 보호 라텍스 숙면 -6cm 진드기 방지 베갯잇 가구/인테리어>베개>라텍스베개' '성형 베개 뒤척임 방지 수술 후 코 양악 리프팅 가슴 눈 주름 윤곽 관리 베개 13종 가구/인테리어>베개>라텍스베개'

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_fi2")
# Run inference
preds = model("템퍼 컴포트 에어 베개 소프트 NEW 가구/인테리어>베개>메모리폼베개")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	8.7293	17

Label	Training Sample Count
0.0	37
1.0	22
2.0	23
3.0	34
4.0	17

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
0.0385	1	0.4798	-
1.9231	50	0.2701	-
3.8462	100	0.0001	-
5.7692	150	0.0001	-
7.6923	200	0.0	-
9.6154	250	0.0	-
11.5385	300	0.0	-
13.4615	350	0.0	-
15.3846	400	0.0	-
17.3077	450	0.0	-
19.2308	500	0.0	-
21.1538	550	0.0	-
23.0769	600	0.0	-
25.0	650	0.0	-
26.9231	700	0.0	-
28.8462	750	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}
}