Hugging Face's logo

mini1013
/
master_cate_sl4

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
Community
master_cate_sl4 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
4fa50a7 verified
preview code
|
raw
history blame contribute delete
13.7 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 가퍼 스포츠 낚시 벨트 어깨 하 해상 스탠드업 물고기 싸움 로드 홀더 스포츠/레저>낚시>낚시의류/잡화>힙커버/힙가드
  - text: >-
      낚시 태클박스 36리터 세트8 초경량 멀티 테이블 의자 받침대 루어 민물 바다 케리어 BSS158-3
      스포츠/레저>낚시>낚시용품>태클박스
  - text: 메이저 크래프트 자이언트 킬링 Major Craft GK5SJ-B663 스포츠/레저>낚시>루어낚시>루어낚시세트
  - text: 갸프 낚싯대 용골 핸들 땀 흡수 스트랩 미끄럼 방지 절연 라켓 손잡이 커버 스포츠/레저>낚시>낚시용품>가프
  - text: 송어베이스 루어 세트 스푼 미끼 스피너 보빈 인공 스포츠/레저>낚시>루어낚시>루어낚시세트
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
7.0
  • '다이와 DAIWA 한국다이와정공 소품케이스 클리어 파우치 S C 스포츠/레저>낚시>바다낚시>찌케이스'
  • '갓포스 고급 루어 낚시가방 루어대 원투대 하드 로드케이스 낚시대수납 단품 112CM-157CM 스포츠/레저>낚시>바다낚시>바다낚시가방'
  • '다이와 포터블 휴대용 로드케이스 B 140R 스포츠/레저>낚시>바다낚시>바다낚시가방'
3.0
  • '이공조구 원 포인트 바다루어낚싯대 S180 스포츠/레저>낚시>낚싯대>바다루어낚싯대'
  • '엔에스 블랙 매직아이 슬로우피치 바다루어낚싯대 B-592H3MF 스포츠/레저>낚시>낚싯대>바다루어낚싯대'
  • '은성 실스타 DHC 명파S 민물낚싯대 30칸 스포츠/레저>낚시>낚싯대>민물낚싯대'
1.0
  • '메이호 태클박스 루어케이스 도구통 지그통 VS-388DD 스포츠/레저>낚시>낚시용품>태클박스'
  • '다이와 쿨라인 알파 3 펄 TS2000 스포츠/레저>낚시>낚시용품>쿨백'
  • '슬라이드 낚시 쪽가위 라인커터기 합사가위 T74464474 스포츠/레저>낚시>낚시공구>가위/라인커터/핀온릴'
5.0
  • '다미끼 맘바2 러버지그-배스 루어 민물루어 1 2oz 스포츠/레저>낚시>루어낚시>하드베이트'
  • '루어 낚시 가물치 배스 5pcs 개구리 세트 프로그 스포츠/레저>낚시>루어낚시>루어낚시세트'
  • 'KFP 미노우 KS01 하드베이트 싱킹타입 루어 포퍼 웜 크랭크 프로팅 싱킹 배스 미끼 농어 베이트 스포츠/레저>낚시>루어낚시>하드베이트'
0.0
  • '다이와 레브로스 스피닝릴 LT2500D-XH 스포츠/레저>낚시>낚시릴>스피닝릴'
  • '바낙스 LJ100x 장구통릴 티탄 스포츠/레저>낚시>낚시릴>베이트릴'
  • '시마노 FX 1000 스피닝릴 스포츠/레저>낚시>낚시릴>스피닝릴'
4.0
  • '가마라 쇼크리더 카본 목줄 50m 6호 GFLUORO506 스포츠/레저>낚시>낚싯줄>카본라인'
  • '선라인 토네이도 마츠다 스페셜 블랙 스트림 낚싯줄 70m 1.75호 스포츠/레저>낚시>낚싯줄>카본라인'
  • '선라인 슈터 FC 스나이퍼 100m 4.5LB 스포츠/레저>낚시>낚싯줄>카본라인'
2.0
  • '다이와 낚시화 부츠 운동화 스파이크 슈즈 DAIWA 일본직구 DS-2150CD 스포츠/레저>낚시>낚시의류/잡화>낚시신발'
  • 'HDF 해동 피나투라 올컷 방한 덮개장갑 낚시장갑 스포츠/레저>낚시>낚시의류/잡화>낚시장갑'
  • '가마가츠 낚시 코듀라 힙가드 로우백 타입 단일사이즈 GM3727 스포츠/레저>낚시>낚시의류/잡화>힙커버/힙가드'
6.0
  • '루웍스 빙어 초릿대 23cm 스포츠/레저>낚시>민물낚시>얼음낚시'
  • '바다 민물 고기 낚시대 보관 수납 가방 하드케이스 스포츠/레저>낚시>민물낚시>민물낚시가방'
  • '고급 내림찌케이스 대형찌보관함 플로팅 보관박스 스포츠/레저>낚시>민물낚시>찌케이스'

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_sl4")
# Run inference
preds = model("송어베이스 루어 세트 스푼 미끼 스피너 보빈 인공 스포츠/레저>낚시>루어낚시>루어낚시세트")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 7.8018 19
Label Training Sample Count
0.0 70
1.0 70
2.0 70
3.0 70
4.0 70
5.0 70
6.0 70
7.0 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
0.0091 1 0.4946 -
0.4545 50 0.5017 -
0.9091 100 0.2322 -
1.3636 150 0.0559 -
1.8182 200 0.0182 -
2.2727 250 0.0165 -
2.7273 300 0.0018 -
3.1818 350 0.0001 -
3.6364 400 0.0001 -
4.0909 450 0.0001 -
4.5455 500 0.0 -
5.0 550 0.0 -
5.4545 600 0.0 -
5.9091 650 0.0 -
6.3636 700 0.0 -
6.8182 750 0.0 -
7.2727 800 0.0 -
7.7273 850 0.0 -
8.1818 900 0.0 -
8.6364 950 0.0 -
9.0909 1000 0.0 -
9.5455 1050 0.0 -
10.0 1100 0.0 -
10.4545 1150 0.0 -
10.9091 1200 0.0 -
11.3636 1250 0.0 -
11.8182 1300 0.0 -
12.2727 1350 0.0 -
12.7273 1400 0.0 -
13.1818 1450 0.0 -
13.6364 1500 0.0 -
14.0909 1550 0.0 -
14.5455 1600 0.0 -
15.0 1650 0.0 -
15.4545 1700 0.0 -
15.9091 1750 0.0 -
16.3636 1800 0.0 -
16.8182 1850 0.0 -
17.2727 1900 0.0 -
17.7273 1950 0.0 -
18.1818 2000 0.0 -
18.6364 2050 0.0 -
19.0909 2100 0.0 -
19.5455 2150 0.0 -
20.0 2200 0.0 -
20.4545 2250 0.0 -
20.9091 2300 0.0 -
21.3636 2350 0.0 -
21.8182 2400 0.0 -
22.2727 2450 0.0 -
22.7273 2500 0.0 -
23.1818 2550 0.0 -
23.6364 2600 0.0 -
24.0909 2650 0.0 -
24.5455 2700 0.0 -
25.0 2750 0.0 -
25.4545 2800 0.0 -
25.9091 2850 0.0 -
26.3636 2900 0.0 -
26.8182 2950 0.0 -
27.2727 3000 0.0 -
27.7273 3050 0.0 -
28.1818 3100 0.0 -
28.6364 3150 0.0 -
29.0909 3200 0.0 -
29.5455 3250 0.0 -
30.0 3300 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}
}