Hugging Face's logo

mini1013
/
master_cate_sl11

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_sl11 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
bea8436 verified
preview code
|
raw
history blame contribute delete
10.4 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 스타스포츠 비치 발리볼 소프트 4호 CB814 스포츠/레저>배구>배구공
  - text: 안전요원의자 1 9m 수영장 풀장 심판대 안전바 의자 구조 요원 스포츠/레저>배구>기타배구용품
  - text: 미즈노 웨이브 라이트닝 Z7 배구화 V1GA220041 스포츠/레저>배구>배구화
  - text: 배구 지주대 이동식 맨홀형 체육 강당 맨홀식 거치대 스포츠/레저>배구>기타배구용품
  - text: 미즈노 남성 여성 배구복 배구 유니폼 긴팔티 긴팔 티셔츠 N-XT V2MAA510 스포츠/레저>배구>배구의류
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
4.0
  • '아식스 배구화 미들컷 브이 스위프트 V-SWIFT FF MT21053A018 100 스포츠/레저>배구>배구화'
  • '아식스 스카이 엘리트 FF MT 인도어화 21051A065103 스포츠/레저>배구>배구화'
  • '미즈노 아식스 배구화 젤 로켓10 남여공용 1073A047-100 스포츠/레저>배구>배구화'
0.0
  • '의자 농구 코트 야외 휴식 좌석 학교 놀이터 관람석 의자 경기장 15177N30166 스포츠/레저>배구>기타배구용품'
  • '스포츠 심판대 심판 감시대 족구 의자 심판석 안전 분리형 시합 스포츠/레저>배구>기타배구용품'
  • '닛타쿠 홀츠 시벤 탁구라켓 ST 19812 NE-6112 스포츠/레저>배구>기타배구용품'
3.0
  • '밀리언웨이브 24 단체 배구 전사 유니폼 - 옵티머스 스포츠/레저>배구>배구의류'
  • '스타스포츠 스타 전사 유니폼 상하의세트 Model S124 족구 배구 축구 등 활용가능 원하는로고 팀명 이름 번호 추가 스포츠/레저>배구>배구의류'
  • '뱃저바스켓 Alleson Athletic - 반소매 배구 MA 108603 829VSJW 스포츠/레저>배구>배구의류'
1.0
  • '미카사 배구공 4호 초등학생용 V400W 스포츠/레저>배구>배구공'
  • '스타스포츠 폼 발리볼 피구볼 CB834 스포츠/레저>배구>배구공'
  • '스타스포츠 S 배구공 그랜드챔피언 2 4호 5호 생활체육 시합용 VB224-34S VB225-34S 스포츠/레저>배구>배구공'
2.0
  • '스타스포츠 배구네트 6인제 VN320H 스포츠/레저>배구>배구네트'
  • '스타 스타스포츠 배구 네트 9인제 (경기용) VN371H 스포츠/레저>배구>배구네트'
  • '스타 스타스포츠 배구 네트 9인제 (경기용) VN380 스포츠/레저>배구>배구네트'

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_sl11")
# Run inference
preds = model("스타스포츠 비치 발리볼 소프트 4호 CB814 스포츠/레저>배구>배구공")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 4 8.8833 18
Label Training Sample Count
0.0 70
1.0 70
2.0 20
3.0 70
4.0 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
0.0169 1 0.461 -
0.8475 50 0.478 -
1.6949 100 0.1412 -
2.5424 150 0.0009 -
3.3898 200 0.0 -
4.2373 250 0.0 -
5.0847 300 0.0 -
5.9322 350 0.0001 -
6.7797 400 0.0 -
7.6271 450 0.0 -
8.4746 500 0.0 -
9.3220 550 0.0 -
10.1695 600 0.0 -
11.0169 650 0.0 -
11.8644 700 0.0 -
12.7119 750 0.0 -
13.5593 800 0.0 -
14.4068 850 0.0 -
15.2542 900 0.0 -
16.1017 950 0.0 -
16.9492 1000 0.0 -
17.7966 1050 0.0 -
18.6441 1100 0.0 -
19.4915 1150 0.0 -
20.3390 1200 0.0 -
21.1864 1250 0.0 -
22.0339 1300 0.0 -
22.8814 1350 0.0 -
23.7288 1400 0.0 -
24.5763 1450 0.0 -
25.4237 1500 0.0 -
26.2712 1550 0.0 -
27.1186 1600 0.0 -
27.9661 1650 0.0 -
28.8136 1700 0.0 -
29.6610 1750 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}
}