Hugging Face's logo

mini1013
/
master_cate_fd1

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fd1 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
508870d verified
preview code
|
raw
history blame contribute delete
13.6 kB
---
base_model: mini1013/master_domain
library_name: setfit
metrics:
- metric
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 모어네이처 프리미엄 코엔자임Q10 500mg x 60캡슐 주식회사 템스윈(Tems Win)
- text: 솔가 맥주효모 비타민B12 티아민 250정 맥주효모 250정(80일분) X 2개 꿈
- text: 닥터스베스트 OptiMSM 함유 MSM 분말 250g(8.8oz) 메트로 나인
- text: 정관장 홍삼원 6년근 홍삼농축액 50ml 30포 고형분60% 선물세트 쇼핑백포함 주식회사 무한종합상사
- text: 락토핏 당케어 2g x 60포 (주)레놈 성수지점
inference: true
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: metric
value: 0.7147122562003371
name: Metric
---
# SetFit with mini1013/master_domain
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_domain) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) with contrastive learning.
2. Training a classification head with features from the fine-tuned Sentence Transformer.
## Model Details
### Model Description
- **Model Type:** SetFit
- **Sentence Transformer body:** [mini1013/master_domain](https://huggingface.co/mini1013/master_domain)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 512 tokens
- **Number of Classes:** 13 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)
### Model Labels
| Label | Examples |
|:------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 2.0 | <ul><li>'콤비타 마누카꿀 UMF10 500g 2개 2.콤비타 마누카꿀 UMF10+ 500g 2개 재인뉴트리셔널'</li><li>'데저트 크릭 로 텍사스 꿀 340g 2개 Desert Creek Honey Raw Unfiltered Texas Honey 누크몰글로벌'</li><li>'한울벌꿀 국내산 아카시아꿀 사양 벌꿀 2.4kg 아카시아꿀 2.4kg 선흥물산'</li></ul> |
| 6.0 | <ul><li>'블루미너스 왕의 맥문동 30포X4박스/국내산 볶은 맥문동 뿌리 가루 맥문동차 사포닌 추천 주식회사 대한종합상사'</li><li>'홍국 발효 구기자 분말 가루 청양구기자 홍국균 500g 홍국발효구기자 분말 500g (1팩) 푸드센스'</li><li>'GNM자연의품격 루테인 지아잔틴 아스타잔틴 500mg x 30캡슐 케이티씨 주식회사'</li></ul> |
| 0.0 | <ul><li>'[3+1 이벤트] 데이풀 호박즙 아르기닌 110ml 1박스 여자아르기닌 쌍수 성형 붓기 늙은호박즙 어반랩스 주식회사'</li><li>'홍삼생알칡즙 망구 에이'</li><li>'국산 아로니아원액 1L 2병 아로니아즙 농업회사법인 청정산들해(주)'</li></ul> |
| 5.0 | <ul><li>'고농축 랩온랩 k2 히말라야 숙취해소제 허브 추출물 1박스 30정 단비'</li><li>'고농축 k2 히말라야 숙취해소제 허브 추출물 1박스 30정 히말라야숙취해소제 (30정) 랩온랩(LAB ON LAB)'</li><li>'히말라야 숙취해소 파티스마트 소프트 츄 10개입 04_파티스마트 2개입 4박스 (주)히말라야코리아'</li></ul> |
| 10.0 | <ul><li>'황성주박사의 마시는 영양식 140ml 24팩 고소한 곡물맛 하얀'</li><li>'뉴케어 고칼슘 영양갱 40g 30입 아르미유'</li><li>'대상웰라이프 마이밀 마이키즈 밀크맛 150ml 24팩 아이간식 +Npay 2000원 대상웰라이프(주)'</li></ul> |
| 3.0 | <ul><li>'Green Foods 그린푸드 마그마 플러스 드링크 믹스 10.6oz 캐주얼'</li><li>'캐나다 영양제 퀄리티랩 프리미엄 퀄리티 로얄제리 1000mg \ufeff200캡슐 바이오 파크(Bio park)'</li><li>'(100매)푸드어홀릭 네이처스킨 오이 마스크팩 (100매)푸드어홀릭 네이처스킨 오이 마스크팩 차일드'</li></ul> |
| 9.0 | <ul><li>'동원 천지인 홍삼절편 수 (15g 8갑 8일분) (주)동방유래'</li><li>'정관장 홍삼차 100포 인삼차 건강차 홍삼차(포장O) 주식회사 앨리스월드'</li><li>'[정기구독]함소아 홍키통키 프리미어 그린 1박스 함소아제약'</li></ul> |
| 8.0 | <ul><li>'우슬 300g 우슬분말 300g 농업회사법인 주식회사 두손애약초'</li><li>'차가버섯 선물세트 1kg 러시아/고급바구니 포장 주식회사 생생드림'</li><li>'산사 열매 국내산 300g 산사자 아가위 나무 산사 300g x5개(10%할인) 농업회사법인 주식회사 두손애약초'</li></ul> |
| 11.0 | <ul><li>'유한m 액티브 셀렌효모 플러스 480정 / 맥주효모 셀레늄 옥타코사놀 헬스피아'</li><li>'효소락 30포 용한약국'</li><li>'여에스더 맥주효모 비오틴 울트라 케어 5200 맥스 국내 최대함량 맥주효모&비오틴 소형환 [30%] 1박스 (14포) 에스더포뮬러 주식회사'</li></ul> |
| 1.0 | <ul><li>'몽글환 차전자피환 4g 30포 우리닥터'</li><li>'국산 여주환 500g 여주환 500g 주식회사 건강중심'</li><li>'마카 아르기닌 야관문 서리태환 남자 활력 모발관리 필수 콩의두감 3병 선물세트 (2+1)야관문 플러스 세트 3개(9병) 주식회사 루토닉스'</li></ul> |
| 4.0 | <ul><li>'암웨이 더블엑스 종합비타민 무기질 리필 칼맥디 프렌즈'</li><li>'종근당 이뮨 듀오 멀티비타맥스 140ml 7병 1박스 늘품서치'</li><li>'네추럴라이즈 멀티비타민 꾸미 2.5g x 60개입 현민예 스토어'</li></ul> |
| 12.0 | <ul><li>'활강원 백만 임산부 발효 자연 곡물 효소 400만 역가수치 효소제 100포 백만효소 x 2박스 (200스틱) 디와이코어'</li><li>'이영애의건강미식 카무트 브랜드 밀 효소 골드 3g x 30포 주식회사 템스윈(Tems Win)'</li><li>'이영애의 건강미식 골드 카무트 효소 1개월 분 카무트 효소 1개 주식회사 네이처라우드'</li></ul> |
| 7.0 | <ul><li>'인삼 도매일번지 난발삼 금산 세척 난발삼_03난발삼 소500g_세척안함 금산인삼 도매 일번지'</li><li>'동우당제약 궁중대보 250g 국내산 인삼 복령 지황 에이치앤지바이오'</li><li>'동우당제약 궁중대보 250g 국내산 인삼 복령 지황 인투'</li></ul> |
## Evaluation
### Metrics
| Label | Metric |
|:--------|:-------|
| **all** | 0.7147 |
## Uses
### Direct Use for Inference
First install the SetFit library:
```bash
pip install setfit
```
Then you can load this model and run inference.
```python
from setfit import SetFitModel
# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("mini1013/master_cate_fd1")
# Run inference
preds = model("락토핏 당케어 2g x 60포 (주)레놈 성수지점")
```
<!--
### Downstream Use
*List how someone could finetune this model on their own dataset.*
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count | 4 | 9.8446 | 23 |
| Label | Training Sample Count |
|:------|:----------------------|
| 0.0 | 50 |
| 1.0 | 50 |
| 2.0 | 50 |
| 3.0 | 50 |
| 4.0 | 50 |
| 5.0 | 31 |
| 6.0 | 50 |
| 7.0 | 50 |
| 8.0 | 24 |
| 9.0 | 50 |
| 10.0 | 50 |
| 11.0 | 50 |
| 12.0 | 24 |
### Training Hyperparameters
- batch_size: (512, 512)
- num_epochs: (20, 20)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 40
- body_learning_rate: (2e-05, 2e-05)
- head_learning_rate: 2e-05
- loss: CosineSimilarityLoss
- distance_metric: cosine_distance
- margin: 0.25
- end_to_end: False
- use_amp: False
- warmup_proportion: 0.1
- seed: 42
- eval_max_steps: -1
- load_best_model_at_end: False
### Training Results
| Epoch | Step | Training Loss | Validation Loss |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0110 | 1 | 0.3794 | - |
| 0.5495 | 50 | 0.2808 | - |
| 1.0989 | 100 | 0.1721 | - |
| 1.6484 | 150 | 0.0976 | - |
| 2.1978 | 200 | 0.0646 | - |
| 2.7473 | 250 | 0.0528 | - |
| 3.2967 | 300 | 0.0428 | - |
| 3.8462 | 350 | 0.0128 | - |
| 4.3956 | 400 | 0.0079 | - |
| 4.9451 | 450 | 0.01 | - |
| 5.4945 | 500 | 0.0115 | - |
| 6.0440 | 550 | 0.0002 | - |
| 6.5934 | 600 | 0.0001 | - |
| 7.1429 | 650 | 0.0001 | - |
| 7.6923 | 700 | 0.0001 | - |
| 8.2418 | 750 | 0.0001 | - |
| 8.7912 | 800 | 0.0001 | - |
| 9.3407 | 850 | 0.0001 | - |
| 9.8901 | 900 | 0.0001 | - |
| 10.4396 | 950 | 0.0001 | - |
| 10.9890 | 1000 | 0.0001 | - |
| 11.5385 | 1050 | 0.0001 | - |
| 12.0879 | 1100 | 0.0001 | - |
| 12.6374 | 1150 | 0.0001 | - |
| 13.1868 | 1200 | 0.0001 | - |
| 13.7363 | 1250 | 0.0001 | - |
| 14.2857 | 1300 | 0.0001 | - |
| 14.8352 | 1350 | 0.0 | - |
| 15.3846 | 1400 | 0.0001 | - |
| 15.9341 | 1450 | 0.0 | - |
| 16.4835 | 1500 | 0.0001 | - |
| 17.0330 | 1550 | 0.0 | - |
| 17.5824 | 1600 | 0.0 | - |
| 18.1319 | 1650 | 0.0 | - |
| 18.6813 | 1700 | 0.0 | - |
| 19.2308 | 1750 | 0.0 | - |
| 19.7802 | 1800 | 0.0001 | - |
### Framework Versions
- Python: 3.10.12
- SetFit: 1.1.0.dev0
- Sentence Transformers: 3.1.1
- Transformers: 4.46.1
- PyTorch: 2.4.0+cu121
- Datasets: 2.20.0
- Tokenizers: 0.20.0
## Citation
### BibTeX
```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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->