master_cate_lh27 / README.md

Push model using huggingface_hub.

1859196 verified 3 months ago

13 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: 다이론 뉴핸드염료 의류 옷 면소재 패브릭 섬유 염색 36.튤립레드 싹다몰
	- text: '[대형] 컬러 EVA 에바폼 스폰지 10T / 1M x 1.5M 15T_노랑 DH팩토리'
	- text: 색 운용 한지 포장 공예 64 x 94cm 색 운용 한지_06 분홍색 덕인색채
	- text: 도자기물레 돌림판 도예 회전판 미니 공방 전동 350와트 핸드 푸시 페달 통합 교육 모델 리그나이트
	- text: 나무판넬 1호 - 30호 (기본형) / From Time S형(정사각)_5호 프롬타임
	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: 0.9701504292352524
	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: 11 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>'홀아트 플러스 모델링페이스트 2L P47-14 은계알파문구주식회사'</li><li>'알파 실버 아크릴물감 50ml 낱색 #943 Brilliant purple 화방 스토리'</li><li>'gamin 아크릴물감 대용량 500ml 물감놀이 퍼포먼스미술 집콕놀이 29색 # 레몬 옐로우 #13. 스카이 블루 홍당무'</li></ul> \|
	\| 4.0 \| <ul><li>'묵운당 먹 소광 소(4정) 서예 캘리 동양화 한국화 사군자 민화 한국서예유통'</li><li>'타지마 먹물 PSS2-180 주황색 적색 먹치기 먹통용 청색 킬리만자로타이거'</li><li>'먹통 자동 선긋기 먹줄 먹실 휴대용 초크라인 먹물 단일 메가물류'</li></ul> \|
	\| 8.0 \| <ul><li>'국내제작 50호 유화 면천 미송정왁구 캔버스 빈센트캔버스 F형 P형(풍경) (116.7 x 80.3)_50호(면천)_미송정왁구 코믹샵'</li><li>'색 운용 한지 포장 공예 64 x 94cm 색 운용 한지_23 자주색 덕인색채'</li><li>'양면 골판지 공예 A4 10장 516g 구구문구'</li></ul> \|
	\| 9.0 \| <ul><li>'도자기물레 돌림판 도예 회전판 미니 공방 전동 250W 삼각형 LCD 페달 독점 에디션 리그나이트'</li><li>'나무 판 조각 공예 보드 원형 목재 반제품 그림 10개 지름 12-13cm 두께 1cm 10개입 오봉샵'</li><li>'실크스크린 프레임 / 망사 견장 / 15x20 프레임 목재_50x60_60목 견장된 프레임 2개 세트 지디큐 팩토리 (GDQ factory)'</li></ul> \|
	\| 6.0 \| <ul><li>'LED 그림판 드로잉 보드 A4 3 스케치 웹툰 연습 복사 카피 미술 화방 교보재 A3 사이즈(대형) 주식회사 모든지코퍼레이션'</li><li>'필름 라이트박스 반사 A4 A3 보드 스튜디오 A3+ 3단 디밍 USB 케이블 대형 사이즈 곤이형보물상자2'</li><li>'라이트박스 A2 자석부착식 전용아답타 Oasis4N 포함 C.C.A2삼색컬러명암조절USB포트 어트랙션 B2C'</li></ul> \|
	\| 1.0 \| <ul><li>'화구함 미술도구 보관 미대생 물감 박스 정리함 붓 케이스 휴대용 그림통 05.스몰 그레이 A타입 3단 카미유상회'</li><li>'산돌 천 붓케이스 미니 소형 대형 BC- 1701 소형 (주)누보아트'</li><li>'마르지않는 붓 보관함 미술통 수채화 휴대용 서예 미술 단일 구멍 펜 홀더 (선물 상자) 달라브샵'</li></ul> \|
	\| 3.0 \| <ul><li>'박물관이인정한 문방사우 세필족제비 면상필 대 서예붓 민화붓 동양화붓 2. 채색필_2-5 겸호 채색필 소 율아트'</li><li>'쿠레타케 워터브러쉬 소 쿠레타케 워터브러쉬 (대) 주식회사 아트클라우드'</li><li>'루벤스 스텐실 8000 5호 (1개) 양상추수입창고'</li></ul> \|
	\| 7.0 \| <ul><li>'원단 우드락 5T 60cm x 90cm 대량(박스단위) ★대용량 백색5T 60x90(1박스50개) 문화사'</li><li>'단열 압축 방음패드 폼보드 빨간색 스티로폼 하얀색 27 화이트 두께 5센티 가로50센티 가로50 플로랄퓨전'</li><li>'단열 압축 방음패드 폼보드 빨간색 스티로폼 하얀색 39 흰색 두께 9센티 가로50센티 가로50센 플로랄퓨전'</li></ul> \|
	\| 10.0 \| <ul><li>'리트다이 액체 (패브릭/면 /섬유) 리트다이 액체_액체 42번 Golden Yellow 모든종합상사'</li><li>'리트다이 액체 (패브릭/면 /섬유) 리트다이 액체_액체 17번 Violet 모든종합상사'</li><li>'리트다이 액체 (패브릭/면 /섬유) 리트다이 액체_액체 4번 Teal 모든종합상사'</li></ul> \|
	\| 2.0 \| <ul><li>'미술 화구통 소형 허니블루프렌즈'</li><li>'이젤 철제 대형 휴대용 일반형 [가벼운] 알루미늄 이젤-실버 다담다 주식회사'</li><li>'미젤로 다기능 물통 2L 주식회사 나라유통'</li></ul> \|
	\| 5.0 \| <ul><li>'오일파스텔 48색 전문가용 1P 오일파스텔전용 스윗딜'</li><li>'문교 오일파스텔 48색 MOP-48 세트1개 [5010676]단일상품 (주)장학문구사'</li><li>'문교 전문가용 소프트 오일파스텔 MOPV 오일파스텔 MOPV (주)대림유통서비스'</li></ul> \|

	## Evaluation

	### Metrics
	\| Label \| Metric \|
	\|:--------\|:-------\|
	\| all \| 0.9702 \|

	## 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_lh27")
	# Run inference
	preds = model("다이론 뉴핸드염료 의류 옷 면소재 패브릭 섬유 염색 36.튤립레드 싹다몰")
	```

	<!--
	### 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 \| 10.5 \| 23 \|

	\| 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 \|
	\| 8.0 \| 50 \|
	\| 9.0 \| 50 \|
	\| 10.0 \| 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 \|
	\|:-------:\|:----:\|:-------------:\|:---------------:\|
	\| 0.0116 \| 1 \| 0.4265 \| - \|
	\| 0.5814 \| 50 \| 0.2849 \| - \|
	\| 1.1628 \| 100 \| 0.1489 \| - \|
	\| 1.7442 \| 150 \| 0.0544 \| - \|
	\| 2.3256 \| 200 \| 0.0363 \| - \|
	\| 2.9070 \| 250 \| 0.0257 \| - \|
	\| 3.4884 \| 300 \| 0.0122 \| - \|
	\| 4.0698 \| 350 \| 0.0138 \| - \|
	\| 4.6512 \| 400 \| 0.0088 \| - \|
	\| 5.2326 \| 450 \| 0.0043 \| - \|
	\| 5.8140 \| 500 \| 0.0004 \| - \|
	\| 6.3953 \| 550 \| 0.0003 \| - \|
	\| 6.9767 \| 600 \| 0.0001 \| - \|
	\| 7.5581 \| 650 \| 0.0001 \| - \|
	\| 8.1395 \| 700 \| 0.0001 \| - \|
	\| 8.7209 \| 750 \| 0.0001 \| - \|
	\| 9.3023 \| 800 \| 0.0001 \| - \|
	\| 9.8837 \| 850 \| 0.0001 \| - \|
	\| 10.4651 \| 900 \| 0.0001 \| - \|
	\| 11.0465 \| 950 \| 0.0001 \| - \|
	\| 11.6279 \| 1000 \| 0.0001 \| - \|
	\| 12.2093 \| 1050 \| 0.0001 \| - \|
	\| 12.7907 \| 1100 \| 0.0001 \| - \|
	\| 13.3721 \| 1150 \| 0.0 \| - \|
	\| 13.9535 \| 1200 \| 0.0 \| - \|
	\| 14.5349 \| 1250 \| 0.0 \| - \|
	\| 15.1163 \| 1300 \| 0.0001 \| - \|
	\| 15.6977 \| 1350 \| 0.0 \| - \|
	\| 16.2791 \| 1400 \| 0.0 \| - \|
	\| 16.8605 \| 1450 \| 0.0 \| - \|
	\| 17.4419 \| 1500 \| 0.0 \| - \|
	\| 18.0233 \| 1550 \| 0.0 \| - \|
	\| 18.6047 \| 1600 \| 0.0 \| - \|
	\| 19.1860 \| 1650 \| 0.0 \| - \|
	\| 19.7674 \| 1700 \| 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.
	-->