Hugging Face's logo

mini1013
/
master_cate_sl12

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_sl12 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
2897736 verified
preview code
|
raw
history blame contribute delete
14.5 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 배드민턴 스윙연습 연습기 연습 훈련 트레이닝 손목 효과 스포츠/레저>배드민턴>연습용품
  - text: 요넥스 나노지 배드민턴스트링 NBG 98-2 200M 스포츠/레저>배드민턴>스트링
  - text: 동호회 배트민턴채 관리 교체용 롤스트링 배드민턴스트링 스포츠/레저>배드민턴>스트링
  - text: 배드민턴연습기 스윙 셀프 훈련 서브 트레이닝 혼자 레슨 스포츠/레저>배드민턴>연습용품
  - text: 키모니 납테이프 알파 플러스 라켓 밸런스 테이프 KBN261 스포츠/레저>배드민턴>기타배드민턴용품
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
8.0
  • '토알슨 배드민턴 롤 스트링 거트 200m BL-6700 스포츠/레저>배드민턴>스트링'
  • '배드민턴줄교체 테니스 리폼 조정 스트링 기계 텐션 스포츠/레저>배드민턴>스트링'
  • '테니스 거트 라켓줄 라켓 스트링 1 25 원형 네츄럴 스포츠/레저>배드민턴>스트링'
6.0
  • '요넥스 이클립션Z 미드 남녀공용 배드민턴화 스포츠/레저>배드민턴>배드민턴화'
  • '미즈노 남여 배드민턴화 웨이브 스텔스 네오 에너지 스포츠/레저>배드민턴>배드민턴화'
  • '미즈노 배드민턴화 체대입시화 사이클론 스피드 3 BM10314574 스포츠/레저>배드민턴>배드민턴화'
4.0
  • '어태커 W-FORCE 배드민턴라켓 스포츠/레저>배드민턴>배드민턴라켓'
  • '미즈노 알티우스 01 필 배드민턴라켓 스포츠/레저>배드민턴>배드민턴라켓'
  • 'TAAN 미라지 100 배드민턴라켓 스포츠/레저>배드민턴>배드민턴라켓'
2.0
  • '요넥스 테니스가방 베드민턴 백팩 라켓백 BAG2328-007 스포츠/레저>배드민턴>배드민턴가방'
  • '2023 요넥스 배드민턴 테니스 백팩 가방 BA02312EX 스포츠/레저>배드민턴>배드민턴가방'
  • '테크니스트 배드민턴 미니파우치 가방 TBS-32 TBS-33 스포츠/레저>배드민턴>배드민턴가방'
0.0
  • '배드민턴 그립 밴드 라켓 손잡이 오버 테이프 스포츠/레저>배드민턴>그립'
  • '키모니 타올그립 1롤 10m 6컬러 KGT116 스포츠/레저>배드민턴>그립'
  • '배드민턴 골프 심 라켓 그립 테이프 테니스 손잡이 스포츠/레저>배드민턴>그립'
1.0
  • '낫소 배드민턴라켓 템테이션 카본 레저용 라켓세트 학교체육 스포츠/레저>배드민턴>기타배드민턴용품'
  • '익스트리모 LiNing 배드민턴 라켓 스트링 미포함 AYPM438-4 스포츠/레저>배드민턴>기타배드민턴용품'
  • '트라이온 스트링머신 X-700 스포츠/레저>배드민턴>기타배드민턴용품'
7.0
  • '셔틀콕 1박스 25타 배드민턴셔틀콕 KK7000 스포츠/레저>배드민턴>셔틀콕'
  • '요넥스 배드민턴 셔틀콕 FEATHER 12개입 AS-10EX 스포츠/레저>배드민턴>셔틀콕'
  • '경원 셔틀콕 배드민턴공 스포츠/레저>배드민턴>셔틀콕'
3.0
  • '니스포 멀티 지주네트 5m 세트 스포츠/레저>배드민턴>배드민턴네트'
  • '런웨이브 배드민턴 네트 LW-0187 스포츠/레저>배드민턴>배드민턴네트'
  • '이고진 배드민턴 네트 스포츠/레저>배드민턴>배드민턴네트'
9.0
  • '배드민턴 연습기 트레이닝 성인 초등학생 리턴콕 실내 3 5m 기본형 공1 야광1 스포츠/레저>배드민턴>연습용품'
  • '배드민턴 스윙 연습기 셀프 트레이닝 훈련 스매싱 스포츠/레저>배드민턴>연습용품'
  • '배드민턴 셀프 트레이닝 스파링 연습기 스매싱 서브 스포츠/레저>배드민턴>연습용품'
5.0
  • '패기앤코 남성 티셔츠 DT-118 스포츠/레저>배드민턴>배드민턴의류'
  • '요넥스 아노락 바람막이 긴팔 티셔츠 BE 231JJ003U 스포츠/레저>배드민턴>배드민턴의류'
  • '요넥스 여성 바람막이 긴팔티셔츠 반바지 233JJ002U 231PH002FNV 스포츠/레저>배드민턴>배드민턴의류'

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_sl12")
# Run inference
preds = model("요넥스 나노지 배드민턴스트링 NBG 98-2 200M 스포츠/레저>배드민턴>스트링")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 8.0186 22
Label Training Sample Count
0.0 70
1.0 70
2.0 70
3.0 16
4.0 70
5.0 70
6.0 70
7.0 70
8.0 70
9.0 69

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
0.0079 1 0.475 -
0.3968 50 0.4972 -
0.7937 100 0.2864 -
1.1905 150 0.1285 -
1.5873 200 0.0559 -
1.9841 250 0.0233 -
2.3810 300 0.007 -
2.7778 350 0.0026 -
3.1746 400 0.0006 -
3.5714 450 0.0004 -
3.9683 500 0.0002 -
4.3651 550 0.0001 -
4.7619 600 0.0001 -
5.1587 650 0.0001 -
5.5556 700 0.0001 -
5.9524 750 0.0001 -
6.3492 800 0.0001 -
6.7460 850 0.0002 -
7.1429 900 0.0001 -
7.5397 950 0.0001 -
7.9365 1000 0.0 -
8.3333 1050 0.0 -
8.7302 1100 0.0 -
9.1270 1150 0.0 -
9.5238 1200 0.0 -
9.9206 1250 0.0 -
10.3175 1300 0.0 -
10.7143 1350 0.0 -
11.1111 1400 0.0 -
11.5079 1450 0.0 -
11.9048 1500 0.0 -
12.3016 1550 0.0 -
12.6984 1600 0.0 -
13.0952 1650 0.0 -
13.4921 1700 0.0 -
13.8889 1750 0.0 -
14.2857 1800 0.0 -
14.6825 1850 0.0 -
15.0794 1900 0.0 -
15.4762 1950 0.0 -
15.8730 2000 0.0 -
16.2698 2050 0.0 -
16.6667 2100 0.0 -
17.0635 2150 0.0 -
17.4603 2200 0.0 -
17.8571 2250 0.0 -
18.2540 2300 0.0 -
18.6508 2350 0.0 -
19.0476 2400 0.0 -
19.4444 2450 0.0 -
19.8413 2500 0.0 -
20.2381 2550 0.0 -
20.6349 2600 0.0 -
21.0317 2650 0.0 -
21.4286 2700 0.0 -
21.8254 2750 0.0 -
22.2222 2800 0.0 -
22.6190 2850 0.0 -
23.0159 2900 0.0 -
23.4127 2950 0.0 -
23.8095 3000 0.0 -
24.2063 3050 0.0 -
24.6032 3100 0.0 -
25.0 3150 0.0 -
25.3968 3200 0.0 -
25.7937 3250 0.0 -
26.1905 3300 0.0 -
26.5873 3350 0.0 -
26.9841 3400 0.0 -
27.3810 3450 0.0 -
27.7778 3500 0.0 -
28.1746 3550 0.0 -
28.5714 3600 0.0 -
28.9683 3650 0.0 -
29.3651 3700 0.0 -
29.7619 3750 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}
}