---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 바운티풀 프리미엄 코마사 사틴면 호텔 이불커버 Q 가구/인테리어>침구단품>이불커버
- text: 쇼파커버 사계절 담요 블랭킷 캠핑 이불 차박 대형 러그 가구/인테리어>침구단품>담요
- text: 플로라 시어서커 리플 여름 홑이불 SS 가구/인테리어>침구단품>홑이불
- text: 아이리스 포르토MT 모달 워싱 스프레드 Q 가구/인테리어>침구단품>스프레드
- text: 모던하우스 마이호텔 여름 모달혼방 고밀도워싱 차렵이불 S 가구/인테리어>침구단품>차렵이불
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: 1.0
      name: Accuracy
---

# 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                                                                                                                                                                                                                                                             |
|:------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 0.0   | <ul><li>'바보사랑 여기있소 침대시트 고정밴드 이불클립 8개입 2세트 가구/인테리어>침구단품>기타침구단품'</li><li>'밀림방지 원터치 침구고정핀 이불 침대시트 소파커버 고정클립 가구/인테리어>침구단품>기타침구단품'</li><li>'두잉썸 고밀도 80수 베개커버 가구/인테리어>침구단품>기타침구단품'</li></ul>                                                                               |
| 9.0   | <ul><li>'템퍼 프로 플러스 미디엄 타퍼 가구/인테리어>침구단품>토퍼'</li><li>'아망떼 뉴데이즈 세미마이크로 고정밴드 토퍼SS Q K 가구/인테리어>침구단품>토퍼'</li><li>'아이스 쿨 매트리스 토퍼 가구/인테리어>침구단품>토퍼'</li></ul>                                                                                                                 |
| 10.0  | <ul><li>'숙면연구소 베이직 토퍼매트리스 전용 일자형 방수속커버 Q 가구/인테리어>침구단품>토퍼커버'</li><li>'아망떼 리틀캣 알러지케어 요커버SS Q 가구/인테리어>침구단품>토퍼커버'</li><li>'두꺼운 퀼트 매트리스 커버 코튼 프로텍터 부드러운 진드기 토퍼 저자극성 공기 투과성 침대 가구/인테리어>침구단품>토퍼커버'</li></ul>                                                                |
| 11.0  | <ul><li>'극세사 겨울 스프레드 침대패드 토퍼 가구/인테리어>침구단품>패드>더블/퀸/킹패드'</li><li>'헬로우슬립 부드럽고 따뜻한 겨울 밀크 극세사 고정밴딩 침대패드 Q K - 가구/인테리어>침구단품>패드>싱글/슈퍼싱글패드'</li><li>'파르페by알레르망 스노우쿨 듀라론 냉감 3중직 패드 Q 가구/인테리어>침구단품>패드>더블/퀸/킹패드'</li></ul>                                                      |
| 1.0   | <ul><li>'플란넬 담요 겨울 무릎 캠핑 극세사 미니 대형 가구/인테리어>침구단품>담요'</li><li>'대형 캠핑 감성 블랭킷 담요 카페트 3종 가구/인테리어>침구단품>담요'</li><li>'방콕 극세사 겨울 잠옷 입는담요 가구/인테리어>침구단품>담요'</li></ul>                                                                                                           |
| 2.0   | <ul><li>'먼지없는 부드러운 포인트라인 침대패드 슈퍼싱글 가구/인테리어>침구단품>매트/침대커버>싱글/슈퍼싱글침대커버'</li><li>'머쉬룸 매트리스커버 방수 침대 커버 순면 매트 시트 오가닉코튼 싱글 퀸 킹 누빔 알러지케어 K킹 가구/인테리어>침구단품>매트/침대커버>싱글/슈퍼싱글매트커버'</li><li>'인테리어포스터 벽장식 패브릭 대형 오아시스 중 집꾸미기 인테리어소품 포스터 가구/인테리어>침구단품>매트/침대커버>싱글/슈퍼싱글침대커버'</li></ul> |
| 8.0   | <ul><li>'모던하우스 슈퍼쿨 다니엘 쿨링 매쉬 이불 S 가구/인테리어>침구단품>차렵이불'</li><li>'세사 버터링 알러지케어 차렵이불 S 가구/인테리어>침구단품>차렵이불'</li><li>'알레르망 플레인 80수 고밀도 바이오워싱 호텔식 무봉제 차렵이불 S/SS 가구/인테리어>침구단품>차렵이불'</li></ul>                                                                                  |
| 3.0   | <ul><li>'오너클랜 캐릭터 롤카펫 극세사 무릎담요 선인장 어린이 학생 가구/인테리어>침구단품>무릎담요'</li><li>'알쏭달쏭 캐치티니핑 극세사 로얄핑 담요 100x70 집순이 블랭킷 차박 학생 사무실 캐릭터담요 가구/인테리어>침구단품>무릎담요'</li><li>'조구만 스튜디오 무지개 담요 가구/인테리어>침구단품>무릎담요'</li></ul>                                                                  |
| 4.0   | <ul><li>'이솔홈 이음 피그먼트 순면 모달벨벳 이불 패드 스프레드 가구/인테리어>침구단품>스프레드'</li><li>'차렵이불세트 60수 아사 순면 스프레드 S 싱글 가구/인테리어>침구단품>스프레드'</li><li>'소오미홈 에코 벨로아 모달 줄누비 양면 싱글 퀸 킹패드 가구/인테리어>침구단품>스프레드'</li></ul>                                                                               |
| 7.0   | <ul><li>'더크린 라이너 세미마이크로 온수매트커버 Q그레이 가구/인테리어>침구단품>전기매트커버'</li><li>'방수 두꺼운 보호대 커버 탄성 밴드 고정 시트 가정용 퀼트 패드 침대 가구/인테리어>침구단품>전기매트커버'</li><li>'매트 커버 꽃 시트 3색 지퍼 리스 용 단품 온수 장판 u자 전기 침대 가구/인테리어>침구단품>전기매트커버'</li></ul>                                                        |
| 5.0   | <ul><li>'라이크홈 에코항균 누빔 요커버 S 가구/인테리어>침구단품>요>요커버'</li><li>'올리비아데코 베리메리 60수 아사 요세트 Q 가구/인테리어>침구단품>요>요세트'</li><li>'더블샵 3단 접이식 요매트 2인용 매트리스 가구/인테리어>침구단품>요>요세트'</li></ul>                                                                                                 |
| 12.0  | <ul><li>'파르페 썸머 뱀부서커 여름 홑이불 MINI 가구/인테리어>침구단품>홑이불'</li><li>'엘르파리 엘르 파리 포엠 냉감 홑이불 S 가구/인테리어>침구단품>홑이불'</li><li>'기라로쉬 인견 여름홑이불 160x200 가구/인테리어>침구단품>홑이불'</li></ul>                                                                                                      |
| 6.0   | <ul><li>'아이리스 릴라WH 면 홑겹 이불커버 Q 가구/인테리어>침구단품>이불커버'</li><li>'한파용 80수 폴란드 구스 극세사 알러지케어 이불커버 -싱글 가구/인테리어>침구단품>이불커버'</li><li>'사슴 이불 동물 베개커버 꽃밭 이불커버 귀여운 침구-6 가구/인테리어>침구단품>이불커버'</li></ul>                                                                                 |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 1.0      |

## 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_fi11")
# Run inference
preds = model("플로라 시어서커 리플 여름 홑이불 SS 가구/인테리어>침구단품>홑이불")
```

<!--
### 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   | 3   | 8.8067 | 23  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0.0   | 70                    |
| 1.0   | 70                    |
| 2.0   | 70                    |
| 3.0   | 70                    |
| 4.0   | 70                    |
| 5.0   | 50                    |
| 6.0   | 70                    |
| 7.0   | 70                    |
| 8.0   | 70                    |
| 9.0   | 70                    |
| 10.0  | 70                    |
| 11.0  | 70                    |
| 12.0  | 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0057  | 1    | 0.5104        | -               |
| 0.2874  | 50   | 0.4986        | -               |
| 0.5747  | 100  | 0.3956        | -               |
| 0.8621  | 150  | 0.1871        | -               |
| 1.1494  | 200  | 0.0555        | -               |
| 1.4368  | 250  | 0.017         | -               |
| 1.7241  | 300  | 0.0073        | -               |
| 2.0115  | 350  | 0.0015        | -               |
| 2.2989  | 400  | 0.0003        | -               |
| 2.5862  | 450  | 0.0002        | -               |
| 2.8736  | 500  | 0.0001        | -               |
| 3.1609  | 550  | 0.0001        | -               |
| 3.4483  | 600  | 0.0001        | -               |
| 3.7356  | 650  | 0.0001        | -               |
| 4.0230  | 700  | 0.0001        | -               |
| 4.3103  | 750  | 0.0001        | -               |
| 4.5977  | 800  | 0.0001        | -               |
| 4.8851  | 850  | 0.0001        | -               |
| 5.1724  | 900  | 0.0           | -               |
| 5.4598  | 950  | 0.0           | -               |
| 5.7471  | 1000 | 0.0           | -               |
| 6.0345  | 1050 | 0.0           | -               |
| 6.3218  | 1100 | 0.0           | -               |
| 6.6092  | 1150 | 0.0           | -               |
| 6.8966  | 1200 | 0.0           | -               |
| 7.1839  | 1250 | 0.0           | -               |
| 7.4713  | 1300 | 0.0001        | -               |
| 7.7586  | 1350 | 0.0           | -               |
| 8.0460  | 1400 | 0.0           | -               |
| 8.3333  | 1450 | 0.0           | -               |
| 8.6207  | 1500 | 0.0           | -               |
| 8.9080  | 1550 | 0.0           | -               |
| 9.1954  | 1600 | 0.0           | -               |
| 9.4828  | 1650 | 0.0           | -               |
| 9.7701  | 1700 | 0.0           | -               |
| 10.0575 | 1750 | 0.0           | -               |
| 10.3448 | 1800 | 0.0           | -               |
| 10.6322 | 1850 | 0.0           | -               |
| 10.9195 | 1900 | 0.0           | -               |
| 11.2069 | 1950 | 0.0           | -               |
| 11.4943 | 2000 | 0.0           | -               |
| 11.7816 | 2050 | 0.0           | -               |
| 12.0690 | 2100 | 0.0           | -               |
| 12.3563 | 2150 | 0.0           | -               |
| 12.6437 | 2200 | 0.0           | -               |
| 12.9310 | 2250 | 0.0           | -               |
| 13.2184 | 2300 | 0.0           | -               |
| 13.5057 | 2350 | 0.0           | -               |
| 13.7931 | 2400 | 0.0           | -               |
| 14.0805 | 2450 | 0.0           | -               |
| 14.3678 | 2500 | 0.0           | -               |
| 14.6552 | 2550 | 0.0           | -               |
| 14.9425 | 2600 | 0.0           | -               |
| 15.2299 | 2650 | 0.0           | -               |
| 15.5172 | 2700 | 0.0           | -               |
| 15.8046 | 2750 | 0.0           | -               |
| 16.0920 | 2800 | 0.0           | -               |
| 16.3793 | 2850 | 0.0           | -               |
| 16.6667 | 2900 | 0.0           | -               |
| 16.9540 | 2950 | 0.0           | -               |
| 17.2414 | 3000 | 0.0           | -               |
| 17.5287 | 3050 | 0.0           | -               |
| 17.8161 | 3100 | 0.0           | -               |
| 18.1034 | 3150 | 0.0           | -               |
| 18.3908 | 3200 | 0.0           | -               |
| 18.6782 | 3250 | 0.0           | -               |
| 18.9655 | 3300 | 0.0           | -               |
| 19.2529 | 3350 | 0.0           | -               |
| 19.5402 | 3400 | 0.0           | -               |
| 19.8276 | 3450 | 0.0           | -               |
| 20.1149 | 3500 | 0.0           | -               |
| 20.4023 | 3550 | 0.0           | -               |
| 20.6897 | 3600 | 0.0           | -               |
| 20.9770 | 3650 | 0.0           | -               |
| 21.2644 | 3700 | 0.0           | -               |
| 21.5517 | 3750 | 0.0           | -               |
| 21.8391 | 3800 | 0.0           | -               |
| 22.1264 | 3850 | 0.0           | -               |
| 22.4138 | 3900 | 0.0           | -               |
| 22.7011 | 3950 | 0.0           | -               |
| 22.9885 | 4000 | 0.0           | -               |
| 23.2759 | 4050 | 0.0           | -               |
| 23.5632 | 4100 | 0.0           | -               |
| 23.8506 | 4150 | 0.0           | -               |
| 24.1379 | 4200 | 0.0           | -               |
| 24.4253 | 4250 | 0.0           | -               |
| 24.7126 | 4300 | 0.0           | -               |
| 25.0    | 4350 | 0.0           | -               |
| 25.2874 | 4400 | 0.0           | -               |
| 25.5747 | 4450 | 0.0           | -               |
| 25.8621 | 4500 | 0.0           | -               |
| 26.1494 | 4550 | 0.0           | -               |
| 26.4368 | 4600 | 0.0           | -               |
| 26.7241 | 4650 | 0.0           | -               |
| 27.0115 | 4700 | 0.0           | -               |
| 27.2989 | 4750 | 0.0           | -               |
| 27.5862 | 4800 | 0.0           | -               |
| 27.8736 | 4850 | 0.0           | -               |
| 28.1609 | 4900 | 0.0           | -               |
| 28.4483 | 4950 | 0.0           | -               |
| 28.7356 | 5000 | 0.0           | -               |
| 29.0230 | 5050 | 0.0           | -               |
| 29.3103 | 5100 | 0.0           | -               |
| 29.5977 | 5150 | 0.0           | -               |
| 29.8851 | 5200 | 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
```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.*
-->