Hugging Face's logo

mini1013
/
master_cate_lh4

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh4 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
d92dafa verified
preview code
|
raw
history blame contribute delete
12.2 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: 동아제약 가그린 오리지널 가글 750ml (1개) 가그린 오리지널 820ml L스토어
  - text: 스켈링 입냄새 스케일러 치석제거기 구강청결기 치아 별이 빛나는 하늘 보라색 사치(sachi)
  - text: 텅브러쉬 4개세트 혀클리너 입냄새제거 혀백태제거 혀칫솔 i MinSellAmount 펀키보이
  - text: '[갤러리아] 폴리덴트 의치 부착재 민트향 70g x5개  한화갤러리아(주)'
  - text: 애터미 치약 프로폴리스 200g 입냄새 제거 미백 콜마  플렉스세븐
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: 0.9477272727272728
            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
9.0
  • '롤리팝 에디슨 항균 혀클리너 4종 퍼플 파랑새랑'
  • '텅브러쉬 혀클리너 입냄새제거 백태제거 혀칫솔 MinSellAmount 펀키보이'
  • '[생활도감] 혀클리너 세트 그린2개+네이비2개 주식회사 생활도감'
2.0
  • '셀프 가정용 스테인레스 스케일링 치석제거기 청소 도구 304 핑크 6종 세트 주식회사 클라우드'
  • '도구 치경 제거 편도석 제거기 입똥 편도결석 목똥 셀프 발광 귀걸이x수납함 로얄산티아고'
  • '소형 구취 측정기 테스트기 휴대용 냄새 악취 호흡 구강 입냄새측정기 자가진단 자가 가스 표준모델 _ 검정 행복초지'
0.0
  • '존슨앤존슨 구강청결 리스테린 쿨민트 250ml 후레쉬버스트 250ml - 1개 디아크코리아'
  • '일회용 여행용 가그린 라임10g 1개 휴대용 오리지널 가글스틱 오리지널 1개 예그린스페이스'
  • '가그린 제로 1200ML 쓱1day배송'
4.0
  • '투스노트 화이트닝겔 하루 2번 30분 투자로 누런이를 하얗게 투스노트 화이트닝겔 2주분 주식회사 네이처폴'
  • '루치펠로 미스틱포레스트 치약 180g 5개 원라이브팩토리'
  • '대형 치아모형 치아 모델 구조 인체 구강 치과 C. 구강 2배 확대(하아 제거 가능) 마켓 스페이스토끼'
8.0
  • '미소덴탈 교정장치보관함 교정기케이스 교정기통 교정기보관함-옐로우 (주)톡톡그린'
  • '성심 덴트크린 틀니세정제 36개입 2개 교정기 세척 희망메디'
  • '폴리덴트 맥스 씰 의치 부착재(의치 접착제) 70gx5개+샘플 1개 더마켓'
6.0
  • '백선생 왕타칫솔 베이직 스톤 10P 왕타'
  • '켄트칫솔 클래식 6개입 부드러운 칫솔 미세모 치아관리 어금니 치과칫솔 켄트 클래식 6개_켄트 탄 초극세모 1개(랜덤)_치간칫솔 8개입 1세트(레드 0.7mm) (주)지로인터내셔널'
  • '쿤달 딥 클린 탄력 항균 이중미세모 칫솔 부드러운모, 16입, 1개 구분 : 부드러운모 슈팅배송'
3.0
  • '오랄비 P&G 왁스치실 민트향 50m 01.왁스 치실 민트향 50m TH상사'
  • '오랄비 C자형 일회용 치실 30개입 1팩 NEW)치실C자 30개입[O121] 한국피앤지판매유한회사'
  • '오랄비 왁스치실 (50m 1개) 민트 디엔지유통'
5.0
  • 'LG생활건강 죽염 명약원 골든프로폴리스 치약 플러스 120g MinSellAmount 오늘도연구소'
  • '엘지생활건강 죽염 잇몸고 치약 120g 1개 유니스'
  • '센소다인 오리지널 플러스 치약 100g 1개 dm 다임커머스'
7.0
  • '[유한양행]닥터버들 치약+칫솔 여행용세트 6개 신세계몰'
  • '[유한양행]닥터버들 휴대용 칫솔치약세트 1개 신세계몰'
  • '투톤 휴대용 칫솔 치약 케이스 캡슐형 답례품 투톤용 칫솔통 보관함 홀더 칫솔캡 캡슐칫 화이트블루 쏭리빙'
1.0
  • '일제 형상기억 마우스피스 아리더샾'
  • '혀용 코골이 방지 용품 대책용 마우스피스 8 개 세트 이와이리테일(EY리테일)'
  • '이갈이방지 치아 앞니 보호 유지 셀프 마우스피스 교정 2단계 코스모스'

Evaluation

Metrics

Label Metric
all 0.9477

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_lh4")
# Run inference
preds = model("애터미 치약 프로폴리스 200g 입냄새 제거 미백 콜마  플렉스세븐")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 10.026 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

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 0.4686 -
0.6329 50 0.2751 -
1.2658 100 0.1179 -
1.8987 150 0.0739 -
2.5316 200 0.0687 -
3.1646 250 0.0466 -
3.7975 300 0.0591 -
4.4304 350 0.0232 -
5.0633 400 0.0125 -
5.6962 450 0.0134 -
6.3291 500 0.0152 -
6.9620 550 0.0175 -
7.5949 600 0.0118 -
8.2278 650 0.007 -
8.8608 700 0.0003 -
9.4937 750 0.0002 -
10.1266 800 0.0001 -
10.7595 850 0.0001 -
11.3924 900 0.0001 -
12.0253 950 0.0001 -
12.6582 1000 0.0001 -
13.2911 1050 0.0001 -
13.9241 1100 0.0001 -
14.5570 1150 0.0001 -
15.1899 1200 0.0001 -
15.8228 1250 0.0001 -
16.4557 1300 0.0001 -
17.0886 1350 0.0001 -
17.7215 1400 0.0001 -
18.3544 1450 0.0001 -
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}
}