Hugging Face's logo

mini1013
/
master_cate_sl22

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_sl22 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
97ef802 verified
preview code
|
raw
history blame contribute delete
17.1 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 생활원사 수비용 야구장갑 스포츠/레저>야구>야구장갑
  - text: 야구 타석 매트 피칭 발판 잔디 맞춤 마운드 스포츠/레저>야구>기타야구용품
  - text: 수구 헬멧 수구모 귀 보호 모자 훈련 대회 수중 하키 특수 경기 스포츠/레저>야구>헬멧
  - text: MLB 2023 샌디에이고 파드리스 홈 어웨이 김하성 마킹 외 선수 유니폼 져지 스포츠/레저>야구>야구의류
  - text: 롤링스 마하 포수 헬멧 야구 시니어 7 1 8인치 3 4인치 다크 그린 스포츠/레저>야구>포수장비
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
1.0
  • '야구 배팅 연습기 족구 휴대용 실내 시트 거치대 티대 스포츠/레저>야구>기타야구용품'
  • '야구 스윙 스틱 장비 스틱 방망이 타격 코칭 도구 스포츠/레저>야구>기타야구용품'
  • 'Codree 1 Set Baseball Swing Trainer Bands- Elastic Baseball Softball Hitting Resistance Bands- Baseb 스포츠/레저>야구>기타야구용품'
0.0
  • '롤링스 MLB 어센틱 리미티드 HOH 내야 야구글러브 놀란 아레나도 모델 GH2PRONA-BS 스포츠/레저>야구>글러브'
  • '윌슨 내야 글러브 11 5 A2000 1786 WBW100390115 스포츠/레저>야구>글러브'
  • '모리모토 엣지 올라운드 야구장 우투 글러브 MTG01 스포츠/레저>야구>글러브'
7.0
  • '야구 유니폼 키즈 뉴욕 양키스 레플리카 반팔 저지 스포츠/레저>야구>야구의류'
  • '미즈노 오버핏반팔티셔츠 오버핏슬리브 MIZUNO CP SHORT SLEEVE32YA315209 223186 스포츠/레저>야구>야구의류'
  • '오타니셔츠 남성 야구 티셔츠 유니폼 메이저리그 TShirt 야구상의 후드 반소매 스포츠/레저>야구>야구의류'
4.0
  • '스타스포츠 야구배트 알루미늄 루키 29in WR310N-0029 스포츠/레저>야구>야구배트'
  • 'MAJOR 8차 예약 1 메이저 MAZOR 이그나이트 사회인야구 미들탑 골드에디션 알로이배트 구형명기 합금 33 28 32 27 21KBN CU-31 스포츠/레저>야구>야구배트'
  • 'js야구배트 32 나무배트 알루미늄배트 연식용 야구 스포츠/레저>야구>야구배트'
3.0
  • '롤링스 MLB 로고볼 피츠버그 파이어리츠 스포츠/레저>야구>야구공'
  • 'MLB 프랭클린 뉴욕양키즈 안전 야구공 2710F10 스포츠/레저>야구>야구공'
  • '투더문 안전 야구공 TTMYC-01 스포츠/레저>야구>야구공'
8.0
  • 'BBK 24년형 화양연화 Newest 수비장갑 야수용 포수용 스포츠/레저>야구>야구장갑'
  • '스타 야구글러브 파워플레이 오른손착용 WG-4100L5-R 스포츠/레저>야구>야구장갑'
  • '미즈노 야구 프로 배팅장갑 스카이 1EJEA52221SY D2309 스포츠/레저>야구>야구장갑'
6.0
  • 'DESCENTE BASEBALL ROY0 야구 양말 SN111WSO20 C-8710 스포츠/레저>야구>야구양말'
  • '미즈노 야구 양말 성인 유소년 12YX1U21 스포츠/레저>야구>야구양말'
  • '니드 스포츠 야구양말 스포츠/레저>야구>야구양말'
10.0
  • 'Bauer IMS 5 0 하키 헬멧 콤보 안면 마스크 시니어 스포츠/레저>야구>포수장비'
  • '아이스 하키 럭비 야구 포수 골키퍼 보호대 모자 헬멧 스포츠/레저>야구>포수장비'
  • '포수 마스크 성인용 야구 수비용 올스타 S7 헬멧 어른 그래파이트 투톤 잡기 스포츠/레저>야구>포수장비'
5.0
  • 'Markwort 타자를 위한 C-플랩 페이스 프로텍터 스포츠/레저>야구>야구보호대'
  • '손가락가드 포수 보호대 야구 엄지보호대 손가락 고정 스포츠/레저>야구>야구보호대'
  • '미식축구 Schutt DNA ROPO DW 대표팀 안면 보호대 바시티 스포츠/레저>야구>야구보호대'
2.0
  • '321879 당점 만 즉납 Mizuno 미즈노 미니 케이스 33JM2020 스포츠/레저>야구>야구가방'
  • '미즈노 야구 배트 가방 엘리트 1개입 야구배트 수납 케이스 주니어 스포츠/레저>야구>야구가방'
  • '드마리니 VOODOO OG 백팩 WB5711707 스포츠/레저>야구>야구가방'
9.0
  • '미즈노 야구화 라이트 레보 프로 GS TPU 11GP230001 스포츠/레저>야구>야구화'
  • '언더아머 야구화 포인트화 청 3025590400RO D2309 스포츠/레저>야구>야구화'
  • '미즈노 야구 스파이크 쇠붙이 흰색 라이트 레보제로 11GM221501 스포츠/레저>야구>야구화'
11.0
  • '브렛 타자헬멧 양귀 유광 프로 야구헬멧 스포츠/레저>야구>헬멧'
  • '모리모토 프로텍티브 2 0 경식 타자 외귀헬멧 유광 블랙레드 스포츠/레저>야구>헬멧'
  • '골드 타자헬멧 유광 청색 우귀 좌타자용 검투사 S 유광 청색 우귀 1901-015 스포츠/레저>야구>헬멧'

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_sl22")
# Run inference
preds = model("생활원사 수비용 야구장갑 스포츠/레저>야구>야구장갑")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 8.3993 20
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
9.0 70
10.0 70
11.0 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
0.0061 1 0.4871 -
0.3049 50 0.4978 -
0.6098 100 0.4027 -
0.9146 150 0.1531 -
1.2195 200 0.0774 -
1.5244 250 0.0346 -
1.8293 300 0.0227 -
2.1341 350 0.0138 -
2.4390 400 0.0031 -
2.7439 450 0.0004 -
3.0488 500 0.0003 -
3.3537 550 0.0002 -
3.6585 600 0.0002 -
3.9634 650 0.0001 -
4.2683 700 0.0001 -
4.5732 750 0.0001 -
4.8780 800 0.0001 -
5.1829 850 0.0001 -
5.4878 900 0.0001 -
5.7927 950 0.0001 -
6.0976 1000 0.0001 -
6.4024 1050 0.0001 -
6.7073 1100 0.0001 -
7.0122 1150 0.0001 -
7.3171 1200 0.0001 -
7.6220 1250 0.0001 -
7.9268 1300 0.0 -
8.2317 1350 0.0 -
8.5366 1400 0.0 -
8.8415 1450 0.0 -
9.1463 1500 0.0 -
9.4512 1550 0.0 -
9.7561 1600 0.0 -
10.0610 1650 0.0 -
10.3659 1700 0.0 -
10.6707 1750 0.0 -
10.9756 1800 0.0 -
11.2805 1850 0.0 -
11.5854 1900 0.0 -
11.8902 1950 0.0 -
12.1951 2000 0.0 -
12.5 2050 0.0 -
12.8049 2100 0.0001 -
13.1098 2150 0.0001 -
13.4146 2200 0.0 -
13.7195 2250 0.0 -
14.0244 2300 0.0 -
14.3293 2350 0.0 -
14.6341 2400 0.0 -
14.9390 2450 0.0 -
15.2439 2500 0.0 -
15.5488 2550 0.0 -
15.8537 2600 0.0 -
16.1585 2650 0.0 -
16.4634 2700 0.0 -
16.7683 2750 0.0 -
17.0732 2800 0.0 -
17.3780 2850 0.0 -
17.6829 2900 0.0 -
17.9878 2950 0.0 -
18.2927 3000 0.0 -
18.5976 3050 0.0 -
18.9024 3100 0.0 -
19.2073 3150 0.0001 -
19.5122 3200 0.0 -
19.8171 3250 0.0 -
20.1220 3300 0.0 -
20.4268 3350 0.0 -
20.7317 3400 0.0 -
21.0366 3450 0.0 -
21.3415 3500 0.0 -
21.6463 3550 0.0 -
21.9512 3600 0.0 -
22.2561 3650 0.0 -
22.5610 3700 0.0 -
22.8659 3750 0.0 -
23.1707 3800 0.0 -
23.4756 3850 0.0 -
23.7805 3900 0.0 -
24.0854 3950 0.0 -
24.3902 4000 0.0 -
24.6951 4050 0.0 -
25.0 4100 0.0 -
25.3049 4150 0.0 -
25.6098 4200 0.0 -
25.9146 4250 0.0 -
26.2195 4300 0.0 -
26.5244 4350 0.0 -
26.8293 4400 0.0 -
27.1341 4450 0.0 -
27.4390 4500 0.0 -
27.7439 4550 0.0 -
28.0488 4600 0.0 -
28.3537 4650 0.0 -
28.6585 4700 0.0 -
28.9634 4750 0.0 -
29.2683 4800 0.0 -
29.5732 4850 0.0 -
29.8780 4900 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}
}