Hugging Face's logo

mini1013
/
master_cate_sl26

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_sl26 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
86d67ef verified
preview code
|
raw
history blame contribute delete
10.3 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 스타스포츠 스타 루카스 스포츠용품 운동신발 족구화 스포츠/레저>족구>족구화
  - text: 스텝 레더 축구 연습 훈련 사다리 순발력 족구 연습기 스포츠/레저>족구>기타족구용품
  - text: 낫소 족구공 큐스팩트A T패널 적용 EVA FORM 쿠션감 스포츠/레저>족구>족구공
  - text: 더블레이어 고탄력 터치감 족구공 족구동호회 족구볼 스포츠/레저>족구>족구공
  - text: 라인기 운동장 경기장 선긋기 트랙 축구장 족구장 주차장 스포츠/레저>족구>기타족구용품
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
  • '족구화 발볼넓은 JOMA 호머 축구 신발 남성 MG 짧은 손톱 조마 학생 성인 프리스비 스포츠/레저>족구>족구화'
  • '신신상사 스타스포츠 스타 에너제틱 족구화 선수용 JS6200-03 245 스포츠/레저>족구>족구화'
  • '스타스포츠 스타 레독스R 족구화 입문자 동호회용 JS5970 스포츠/레저>족구>족구화'
1.0
  • '신신상사 스타스포츠 스타스포츠 족구공 사인볼 하이브리드 8판넬방식 스포츠/레저>족구>족구공'
  • '신신상사 스타스포츠 족구공 풋살공 축구공 족구공 더 윙 태극 8판넬 JB435 스포츠/레저>족구>족구공'
  • '스타스포츠 스타스포츠 태극 족구공 동계용 방수코팅 족구 시합구 스포츠/레저>족구>족구공'
0.0
  • '족구타격기 발차기 훈련 스탠드 연습 운동 레슨 스포츠/레저>족구>기타족구용품'
  • '스타 족구 심판대 의자 심판 발판대 라인기 코트경계망 스코어보드 지주세트 네트 번호판 스포츠/레저>족구>기타족구용품'
  • 'ZIPPO 라이터 Figurehead GD 신명글로빅스 ZPM3MA007R 스포츠/레저>족구>기타족구용품'
3.0
  • '브럼비 족구유니폼 사이트 21시즌 디자인 피오드 - 2 스포츠/레저>족구>족구의류'
  • '브럼비 축구유니폼 사이트 24시즌 디자인 로마-2 스포츠/레저>족구>족구의류'
  • '족구 유니폼제작 전사팀복 221007 스포츠/레저>족구>족구의류'
2.0
  • '낫소 일반형 족구네트 NSJ-N105 스포츠/레저>족구>족구네트'
  • '오레인 족구 네트 OJG-N224 스포츠/레저>족구>족구네트'
  • '엔포유 N4U-B500 배드민턴 족구 다용도네트 스포츠/레저>족구>족구네트'

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_sl26")
# Run inference
preds = model("스타스포츠 스타 루카스 스포츠용품 운동신발 족구화 스포츠/레저>족구>족구화")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 8.0441 19
Label Training Sample Count
0.0 70
1.0 70
2.0 15
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
0.0172 1 0.4882 -
0.8621 50 0.4668 -
1.7241 100 0.1034 -
2.5862 150 0.0002 -
3.4483 200 0.0 -
4.3103 250 0.0 -
5.1724 300 0.0 -
6.0345 350 0.0 -
6.8966 400 0.0 -
7.7586 450 0.0 -
8.6207 500 0.0 -
9.4828 550 0.0 -
10.3448 600 0.0 -
11.2069 650 0.0 -
12.0690 700 0.0 -
12.9310 750 0.0 -
13.7931 800 0.0 -
14.6552 850 0.0 -
15.5172 900 0.0 -
16.3793 950 0.0 -
17.2414 1000 0.0 -
18.1034 1050 0.0 -
18.9655 1100 0.0 -
19.8276 1150 0.0 -
20.6897 1200 0.0 -
21.5517 1250 0.0 -
22.4138 1300 0.0 -
23.2759 1350 0.0 -
24.1379 1400 0.0 -
25.0 1450 0.0 -
25.8621 1500 0.0 -
26.7241 1550 0.0 -
27.5862 1600 0.0 -
28.4483 1650 0.0 -
29.3103 1700 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}
}