Hugging Face's logo

mini1013
/
master_cate_sl0

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_sl0 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
c716b53 verified
preview code
|
raw
history blame contribute delete
10.5 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 고급형 검도 손목보호대 검도보호대 일본산 스포츠/레저>검도>검도보호용품
  - text: 검좌대 검도 목검 거치대 사무라이검 받침대 플루트 진열대 검 스탠드 죽도 선반 스포츠/레저>검도>기타검도용품
  - text: 검도단 탁상 사무실용 대나무 디스플레이 Tier 478490 1 스포츠/레저>검도>검도보호용품
  - text: 스탠드 검도 타격대 타이어 죽도 훈련 연습 수련 도장 스포츠/레저>검도>타격대
  - text: 검거치대 좌대 거치대 진열대 검받침대 사극 무술 랙 소품 목도 스포츠/레저>검도>기타검도용품
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
0.0
  • '검도 장갑 호완 보호대 호구 손 보호 장비 검도용품 스포츠/레저>검도>검도보호용품'
  • '검도호구 장비 보호대 호면 세트 갑옷 방어구 호완 머리 부품 입문용 손목 갑상 턱 초보자용 스포츠/레저>검도>검도보호용품'
  • '나인 더 가든 구사쿠라 체리 완제품 여아용 클로즈 토 가죽 미디엄 건축 t3l 스포츠/레저>검도>검도보호용품'
1.0
  • '호구가방 검도 캐리어 방어구 장비 대용량 배낭 백팩 스포츠/레저>검도>기타검도용품'
  • '목검 거치대 받침대 검도 검 진열대 죽도 보관함 홀더 스포츠/레저>검도>기타검도용품'
  • '검좌대 원목 랙 도검좌대 사극 무술 검도 목도 소품 장식용 스탠드 목검 선반 스포츠/레저>검도>기타검도용품'
2.0
  • '검도 백색 검도복 검도 도복 스포츠/레저 > 검도 > 도복'
  • '검도 도복 프리미엄 검도복 선 (SUN) 스포츠/레저 > 검도 > 도복'
  • '뉴페이스 도복 상하세트 C4B-2 스포츠/레저>검도>도복'
3.0
  • '성심 고도형 죽도 39호 스포츠/레저>검도>죽도'
  • '단심 시합용 죽도 39호 스포츠/레저>검도>죽도'
  • '충신 시합용 죽도 39호 스포츠/레저>검도>죽도'
4.0
  • '봉집 무술용품 목검가방 죽도가방 스포츠/레저 > 검도 > 죽도집/부속품'
  • '검가방/천검집(가검용) G-12D 스포츠/레저 > 검도 > 죽도집/부속품'
  • '검도 죽도 가방 목검 주머니 패브릭 목검집 스트랩 휴대용 스포츠/레저 > 검도 > 죽도집/부속품'
5.0
  • '목인장 원목 샌드백 영춘권 무술 복싱 목각 타격대 1 7m-옵션사진참조 스포츠/레저>검도>타격대'
  • '검도 연습 타격대 스탠드 죽도 훈련 수련 샌드백 더미 연습용 수련대 펜싱 타겟 기술 스포츠/레저>검도>타격대'
  • '검도 타격대 샌드백 찌르기 연습용 죽도 수련대 무술 스포츠/레저>검도>타격대'

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_sl0")
# Run inference
preds = model("고급형 검도 손목보호대 검도보호대 일본산 스포츠/레저>검도>검도보호용품")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 9.5927 19
Label Training Sample Count
0.0 70
1.0 70
2.0 12
3.0 15
4.0 11
5.0 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
0.0204 1 0.4824 -
1.0204 50 0.4133 -
2.0408 100 0.0315 -
3.0612 150 0.0021 -
4.0816 200 0.0001 -
5.1020 250 0.0 -
6.1224 300 0.0 -
7.1429 350 0.0 -
8.1633 400 0.0 -
9.1837 450 0.0 -
10.2041 500 0.0 -
11.2245 550 0.0 -
12.2449 600 0.0 -
13.2653 650 0.0 -
14.2857 700 0.0 -
15.3061 750 0.0 -
16.3265 800 0.0 -
17.3469 850 0.0 -
18.3673 900 0.0 -
19.3878 950 0.0 -
20.4082 1000 0.0 -
21.4286 1050 0.0 -
22.4490 1100 0.0 -
23.4694 1150 0.0 -
24.4898 1200 0.0 -
25.5102 1250 0.0 -
26.5306 1300 0.0 -
27.5510 1350 0.0 -
28.5714 1400 0.0 -
29.5918 1450 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}
}