Hugging Face's logo

mini1013
/
master_cate_lh3

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh3 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
b0e7ef3 verified
preview code
|
raw
history blame contribute delete
11.9 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: 브라인 쉬림프 뜰채, 소/중/대 색상랜덤, 고운망 물벼룩 치어 뜰재, 중 배움발전소
  - text: 30x45x45 (6T) - 30배럭 어항 수조  스마트어항
  - text: st1 협신 울트라 수중모터 50W UP-500ㄴ한강수족관 한강아쿠아 한라펫 관상어용품 수족관용품 펌프 모터 여  빙고라이프
  - text: 아마존 스테인레스 히터 200W  알에이디 주식회사
  - text: 네오 부스터 플랜츠 300ml 수초 액체 비료 어항 수초용 영양제  알에이디 주식회사
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: 0.9219277108433735
            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
10.0
  • 'OKE-6710hc 6428hc 사계절 온도 조절기 히터 냉각 전문가용 자동온도조절기 가변겸용 6710HC 태풍의눈'
  • 'OKE-6710hc 6428hc 사계절 온도 조절기 히터 냉각 전문가용 자동온도조절기 사계절 6428HC 태풍의눈'
  • '페리하 HC 일반 히터 300W 파이브오션(Five Ocean)'
2.0
  • '(1+2) 흑사 바닥재 B3 0.8~2.2mm 2kg, BLACK, 1개 3set 알라이'
  • '편석 판석 1kg 어항돌 수조 조경석 철평석 레이아웃 [소] 중(1kg) 미니분경'
  • '칸후 베타은신처 베타침대 엠앤엠 주식회사'
0.0
  • '세드라 수륙양용펌프 KSP-120S 횟집 양식장 엠피엠'
  • '스핀들모터 고정밀 조각기 밀링 머신 조각 드릴링 머신 750 외풍로 스핀들모터 220V-L 스마트 빌리지'
  • '전동 실린더 엑추레이터 스트로크 컨트롤러 12V 24V 푸시로드 모터 스트로크 50MM_10MM/S 토크 3000N_24VDC 글로버리'
4.0
  • '수족관 다이 어항 받침대 선반 철제 우드 사이즈맞춤 60x30x70 기리스토어'
  • '반조립형 철재 축양장 2단 120x45 - 4자 광폭 수조 어항받침대 블랙_2단 기본형 스마트어항'
  • '레고 어항 마리모 베타 구피 물고기 키우기 수초 수조 용품 치어통 미니 수족관 블록 어항-조명_2-8. 어항 투명2 L 주식회사 대성상사'
9.0
  • 'A+거북이 할로겐 조명소켓 국민오피스'
  • '리글라스 LED 등커버 LE-200 블랙 커버 자연과사람'
  • '파이시즈 PZ5-450B LED조명 주식회사 그루터기'
6.0
  • '네오 이탄세트 프리미엄 저압CO2 리필1회분 / 3회분 네오 이탄세트 프리미엄 좋은 사람들'
  • '네오 이탄세트 프리미엄 저압CO2 리필1회분 / 3회분 네오 이탄리필 1회분 좋은 사람들'
  • '일자연결 스타릿컴퍼니(Starlit Co.)'
3.0
  • 'API 터틀픽스 118ml 거북이질병예방제 아쿠아 모모'
  • '켈란 산호&&치어 피딩용 스포이드 30cm / 총 39cm[K-072] 아마존수족관365'
  • '국제피쉬약품 골든 엘바진 7g 1개 어병 종합치료제 백점병 곰팡이병 아가미병 꼬리녹음병 아쿠아메이드'
5.0
  • '네오 플랜츠 Tab 70g 수초비료 수초어항 고체비료 네오 플랜츠 Fe 좋은 사람들'
  • '부세파란드라sp. 랜덤부세 6촉 활착용 핑크네 물방'
  • '포트 수초 전용 원형 토분 1개 신바람잡화점'
7.0
  • '그로비타 막대여과재 16X3.5X3.5cm 섬프 상면 대형여과제 그로비타 막대여과재 2개 유니온스토어'
  • '에하임 클래식 250 (2213) / 어항 여과기 부산기구'
  • 'BASA바사 스펀지여과기 쌍기 그레이 (20년만에 개발된 신제품) 오쿠아(Oqua)'
1.0
  • '테트라 렙토민 에너지 250ml / 수생 반수생 거북이사료, 거북이 먹이 밥 물멍'
  • '그로비타(grovita) 플레코, 안시 전용사료 115g/250ml 물멍아쿠아'
  • '[택배비 2500] 러브라바 200g 6호 양어장종묘사료 6호 200g 아쿠아시티'

Evaluation

Metrics

Label Metric
all 0.9219

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_lh3")
# Run inference
preds = model("아마존 스테인레스 히터 200W  알에이디 주식회사")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 9.088 24
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
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
0.0127 1 0.381 -
0.6329 50 0.2955 -
1.2658 100 0.1053 -
1.8987 150 0.0527 -
2.5316 200 0.0275 -
3.1646 250 0.0285 -
3.7975 300 0.0132 -
4.4304 350 0.0203 -
5.0633 400 0.0133 -
5.6962 450 0.01 -
6.3291 500 0.0106 -
6.9620 550 0.0013 -
7.5949 600 0.0001 -
8.2278 650 0.0001 -
8.8608 700 0.0001 -
9.4937 750 0.0001 -
10.1266 800 0.0001 -
10.7595 850 0.0001 -
11.3924 900 0.0001 -
12.0253 950 0.0 -
12.6582 1000 0.0 -
13.2911 1050 0.0001 -
13.9241 1100 0.0 -
14.5570 1150 0.0001 -
15.1899 1200 0.0 -
15.8228 1250 0.0 -
16.4557 1300 0.0 -
17.0886 1350 0.0 -
17.7215 1400 0.0 -
18.3544 1450 0.0 -
18.9873 1500 0.0 -
19.6203 1550 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}
}