Hugging Face's logo

mini1013
/
master_cate_lh11

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh11 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
8ae2b06 verified
preview code
|
raw
history blame contribute delete
11.3 kB
metadata
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: 칸토스 남여 기능성 다이어트 지압슬리퍼 5. 신여성자갈_240 온누리산업
  - text: 국산 헤라칸 케나프 케냐프 발 발바닥 지압 건강 슬리퍼 실내화 연핑크(M) 예일마켓
  - text: 풀리오 종아리마사지기 V3  디와이shop
  - text: 풋 브러쉬 발각질 제거 마사지  큐오랩
  - text: 마사지 실내 발지압매트 돌지압판 50x200CM보보보생꽃롱 도치글로벌
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: 0.9710123383380407
            name: Metric

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
6.0
  • '자갈 매트 지압판 조약돌 발판 지압길 지압 발매트 40X60CM 컬러풀 에이알'
  • '뽀송뽀송 메모리폼 발닦개매트 욕실 주방 발매트 러그 대형 면 화장실 라지 50X80_레드 시그나몰'
  • '굳은 살 걱정없는 특허기술 헬스핀 발 지압매트 지압판 부모님 선물 효도 헬스핀 운동 기획상품_핑크 붐코리아'
1.0
  • '김수자 엔젤 종아리 발마사지기 다리안마기 GKM-1004 닥터PLUS'
  • '듀플렉스 쎄라웨어 온열찜질 발마사지기 DP-FM700 신인선'
  • '7만원대 추가할인 여름휴가필수 [ ]업그레이드 3세대 스마트센서 종아리부터 허벅지까지 붓기 싹!! 무선다리마사지기 SR-S1+슬리밍삭스(옐로우) 수련닷컴'
5.0
  • '발각질양말 실리콘 패드 발보습 양말 발각질 케어 화이트 석진케이 주식회사'
  • '[BZJKWP4I_49]irbrush 뒤꿈치 패드 풋케어 발각질 3.블랙(5mm)FREE 롯데아이몰'
  • '일상공감 보드랍족 발보호대 1+1 뒤꿈치 발각질 보습풋패드 양말 발보호대 1+1_스킨 L 1쌍+화이트 M 1쌍 주식회사 이공구오'
4.0
  • '쾌발Q 60매 발냄새제거제/유해세균억제/무좀/발관리 해피MART'
  • '편백나무 슈즈프레쉬 신발장 옷장 탈취 발냄새제거 제습 방향효과 크레비스'
  • '[공식수입] 발냄새제거제 그랜즈레미디 페퍼민트향 cscosmetics'
0.0
  • '평발 아치 슬리퍼 발바닥 통증 완화 아치슬리퍼 사파이어 블루_290 탱큐'
  • '통굽 지압슬리퍼 실내화 층간소음방지 미끄럼방지 욕실화 도톨 지압 옐로우 39-40 9025 파인메탈릭'
  • '[낫소]낫소 지압2 슬리퍼 아이보리/230 패션플러스'
3.0
  • '바렌 매직 스텐 양면 프로 발각질제거기 포유어뷰티'
  • '바렌 패디퍼펙트 전동 발각질 제거기 퍼플에디션 발 뒤꿈치 발바닥 굳은살 제거 패디플래닝 1세트(사은품 증정)_리뷰약속 x (주)마르스랩스'
  • '오제끄 실크풋 버퍼 단품 인앤인마켓'
7.0
  • '[리퍼브]굿프렌드 밸런스휴 건식좌훈족욕기 GOOD-F5 리퍼브 건식좌훈족욕기 GOOD-F5 주식회사 굿테크'
  • 'GSN-1610 편백나무 원적외선 건식 좌훈기+족욕기 겸용 MinSellAmount 온유어핏'
  • 'B 굿프렌드 캐나다산 소나무 원목 스마트 건식족욕기 GOOD-F4 휴게실 가정용 마켓뷰'
2.0
  • '염색도구세트 셀프 키트 볼 브러쉬 가정용 헤어 브러시 빗 머리 모발 간편 07.Aeib 염색빗세트3P_본상품선택 주식회사유마켓'
  • 'OC1242 손가락 발가락 관절보호 보습 실리콘 골무18종 통기화이트S(12425) 테익디스(TAKE THIS)'
  • 'OC1242 손가락 발가락 보호 보습 실리콘 골무18종 실리콘골무 구멍뚫린골무 발가락 보호 골무스킨톤L(11033) 제이한 주식회사'

Evaluation

Metrics

Label Metric
all 0.9710

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_lh11")
# Run inference
preds = model("풋 브러쉬 발각질 제거 마사지  큐오랩")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 9.9325 21
Label Training Sample Count
0.0 50
1.0 50
2.0 50
3.0 50
4.0 50
5.0 50
6.0 50
7.0 50

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
0.0159 1 0.4383 -
0.7937 50 0.2003 -
1.5873 100 0.0636 -
2.3810 150 0.0158 -
3.1746 200 0.0239 -
3.9683 250 0.0153 -
4.7619 300 0.0004 -
5.5556 350 0.0023 -
6.3492 400 0.0005 -
7.1429 450 0.0002 -
7.9365 500 0.0001 -
8.7302 550 0.0001 -
9.5238 600 0.0001 -
10.3175 650 0.0001 -
11.1111 700 0.0001 -
11.9048 750 0.0001 -
12.6984 800 0.0 -
13.4921 850 0.0001 -
14.2857 900 0.0001 -
15.0794 950 0.0001 -
15.8730 1000 0.0 -
16.6667 1050 0.0001 -
17.4603 1100 0.0 -
18.2540 1150 0.0001 -
19.0476 1200 0.0001 -
19.8413 1250 0.0 -

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 

@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}
}