Add SetFit model

3bb91ee verified 5 months ago

52.7 kB

	---
	base_model: BAAI/bge-large-en-v1.5
	library_name: setfit
	metrics:
	- accuracy
	pipeline_tag: text-classification
	tags:
	- setfit
	- sentence-transformers
	- text-classification
	- generated_from_setfit_trainer
	widget:
	- text: Get me var Product_Profitability.
	- text: What’s the best way to merge the Orders and Employees tables to identify the
	top-performing departments?
	- text: Please show min Total Company Revenue.
	- text: Get me avg Intangible Assets.
	- text: Can I join the Customers and Orders tables to find out which customers have
	the highest lifetime value?
	inference: true
	model-index:
	- name: SetFit with BAAI/bge-large-en-v1.5
	results:
	- task:
	type: text-classification
	name: Text Classification
	dataset:
	name: Unknown
	type: unknown
	split: test
	metrics:
	- type: accuracy
	value: 0.5726495726495726
	name: Accuracy
	---

	# SetFit with BAAI/bge-large-en-v1.5

	This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [BAAI/bge-large-en-v1.5](https://huggingface.co/BAAI/bge-large-en-v1.5) 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: [BAAI/bge-large-en-v1.5](https://huggingface.co/BAAI/bge-large-en-v1.5)
	- 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: 7 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 \|
	\|:-------------\|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| Generalreply \| <ul><li>'How was your day today?'</li><li>'Oh, I have a lot of hobbies actually! But if I had to pick one, I would say that my favorite is probably reading. I love getting lost in a good book and discovering new worlds and characters. How about you?'</li><li>'Honestly, I hope to achieve a lot in the next 5 years. I want to continue growing in my career and learn new skills. I also aspire to travel more and experience different cultures. Overall, my goal is to be happy and fulfilled in both my personal and professional life. How about you? What are your hopes for the next 5 years?'</li></ul> \|
	\| Lookup_1 \| <ul><li>'i want to get trend analysis and group by product'</li><li>'Show me data_asset_001_pcc details.'</li><li>'Analyze Product-wise EBIT Margin Trend.'</li></ul> \|
	\| Tablejoin \| <ul><li>'Join data_asset_001_kpm with data_asset_kpi_is.'</li><li>'Can I merge cash flow and key performance metrics tables?'</li><li>'Join product category comparison and trend analysis tables.'</li></ul> \|
	\| Rejection \| <ul><li>"I'm not interested in filtering this collection."</li><li>"I don't want to create any new data outputs."</li><li>"I don't want to perform any filtering."</li></ul> \|
	\| Aggregation \| <ul><li>'Can I have avg Cost_Broadband?'</li><li>'Please show min % YoY Change.'</li><li>'Get me avg Earning_per_Cost.'</li></ul> \|
	\| Viewtables \| <ul><li>'What tables are included in the starhub_data_asset database that relate to customer complaints?'</li><li>'I need to see a list of tables that contain information about network outages.'</li><li>'What are the available tables in the starhub_data_asset database that are relevant to financial reporting?'</li></ul> \|
	\| Lookup \| <ul><li>'Filter by orders placed by customer ID 102 and get me the order dates.'</li><li>'Show me the orders placed on January 1st, 2024.'</li><li>"Get me the phone number of the customer with the first name 'Alice'."</li></ul> \|

	## Evaluation

	### Metrics
	\| Label \| Accuracy \|
	\|:--------\|:---------\|
	\| all \| 0.5726 \|

	## 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("nazhan/bge-large-en-v1.5-brahmaputra-iter-9-1-epoch")
	# Run inference
	preds = model("Get me avg Intangible Assets.")
	```

	<!--
	### 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 \| 2 \| 8.7792 \| 62 \|

	\| Label \| Training Sample Count \|
	\|:-------------\|:----------------------\|
	\| Tablejoin \| 126 \|
	\| Rejection \| 72 \|
	\| Aggregation \| 221 \|
	\| Lookup \| 62 \|
	\| Generalreply \| 60 \|
	\| Viewtables \| 73 \|
	\| Lookup_1 \| 224 \|

	### Training Hyperparameters
	- batch_size: (16, 16)
	- num_epochs: (1, 1)
	- max_steps: -1
	- sampling_strategy: oversampling
	- 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
	- seed: 42
	- eval_max_steps: -1
	- load_best_model_at_end: True

	### Training Results
	\| Epoch \| Step \| Training Loss \| Validation Loss \|
	\|:-------:\|:---------:\|:-------------:\|:---------------:\|
	\| 0.0000 \| 1 \| 0.2059 \| - \|
	\| 0.0014 \| 50 \| 0.1956 \| - \|
	\| 0.0028 \| 100 \| 0.207 \| - \|
	\| 0.0042 \| 150 \| 0.1783 \| - \|
	\| 0.0056 \| 200 \| 0.1517 \| - \|
	\| 0.0070 \| 250 \| 0.1795 \| - \|
	\| 0.0084 \| 300 \| 0.1227 \| - \|
	\| 0.0098 \| 350 \| 0.063 \| - \|
	\| 0.0112 \| 400 \| 0.0451 \| - \|
	\| 0.0126 \| 450 \| 0.0408 \| - \|
	\| 0.0140 \| 500 \| 0.0576 \| - \|
	\| 0.0155 \| 550 \| 0.0178 \| - \|
	\| 0.0169 \| 600 \| 0.0244 \| - \|
	\| 0.0183 \| 650 \| 0.0072 \| - \|
	\| 0.0197 \| 700 \| 0.0223 \| - \|
	\| 0.0211 \| 750 \| 0.0046 \| - \|
	\| 0.0225 \| 800 \| 0.003 \| - \|
	\| 0.0239 \| 850 \| 0.004 \| - \|
	\| 0.0253 \| 900 \| 0.0042 \| - \|
	\| 0.0267 \| 950 \| 0.0047 \| - \|
	\| 0.0281 \| 1000 \| 0.0045 \| - \|
	\| 0.0295 \| 1050 \| 0.0032 \| - \|
	\| 0.0309 \| 1100 \| 0.0021 \| - \|
	\| 0.0323 \| 1150 \| 0.0028 \| - \|
	\| 0.0337 \| 1200 \| 0.0022 \| - \|
	\| 0.0351 \| 1250 \| 0.0024 \| - \|
	\| 0.0365 \| 1300 \| 0.0019 \| - \|
	\| 0.0379 \| 1350 \| 0.002 \| - \|
	\| 0.0393 \| 1400 \| 0.0015 \| - \|
	\| 0.0407 \| 1450 \| 0.0016 \| - \|
	\| 0.0421 \| 1500 \| 0.0014 \| - \|
	\| 0.0436 \| 1550 \| 0.0013 \| - \|
	\| 0.0450 \| 1600 \| 0.0016 \| - \|
	\| 0.0464 \| 1650 \| 0.0011 \| - \|
	\| 0.0478 \| 1700 \| 0.0012 \| - \|
	\| 0.0492 \| 1750 \| 0.0011 \| - \|
	\| 0.0506 \| 1800 \| 0.0015 \| - \|
	\| 0.0520 \| 1850 \| 0.0016 \| - \|
	\| 0.0534 \| 1900 \| 0.0012 \| - \|
	\| 0.0548 \| 1950 \| 0.0008 \| - \|
	\| 0.0562 \| 2000 \| 0.0011 \| - \|
	\| 0.0576 \| 2050 \| 0.001 \| - \|
	\| 0.0590 \| 2100 \| 0.001 \| - \|
	\| 0.0604 \| 2150 \| 0.0008 \| - \|
	\| 0.0618 \| 2200 \| 0.0009 \| - \|
	\| 0.0632 \| 2250 \| 0.0007 \| - \|
	\| 0.0646 \| 2300 \| 0.0008 \| - \|
	\| 0.0660 \| 2350 \| 0.0006 \| - \|
	\| 0.0674 \| 2400 \| 0.0007 \| - \|
	\| 0.0688 \| 2450 \| 0.0008 \| - \|
	\| 0.0702 \| 2500 \| 0.0006 \| - \|
	\| 0.0717 \| 2550 \| 0.0007 \| - \|
	\| 0.0731 \| 2600 \| 0.0006 \| - \|
	\| 0.0745 \| 2650 \| 0.0007 \| - \|
	\| 0.0759 \| 2700 \| 0.0005 \| - \|
	\| 0.0773 \| 2750 \| 0.0006 \| - \|
	\| 0.0787 \| 2800 \| 0.0007 \| - \|
	\| 0.0801 \| 2850 \| 0.0007 \| - \|
	\| 0.0815 \| 2900 \| 0.0005 \| - \|
	\| 0.0829 \| 2950 \| 0.0008 \| - \|
	\| 0.0843 \| 3000 \| 0.0005 \| - \|
	\| 0.0857 \| 3050 \| 0.0007 \| - \|
	\| 0.0871 \| 3100 \| 0.0006 \| - \|
	\| 0.0885 \| 3150 \| 0.0005 \| - \|
	\| 0.0899 \| 3200 \| 0.0007 \| - \|
	\| 0.0913 \| 3250 \| 0.0005 \| - \|
	\| 0.0927 \| 3300 \| 0.0004 \| - \|
	\| 0.0941 \| 3350 \| 0.0005 \| - \|
	\| 0.0955 \| 3400 \| 0.0003 \| - \|
	\| 0.0969 \| 3450 \| 0.0004 \| - \|
	\| 0.0983 \| 3500 \| 0.0004 \| - \|
	\| 0.0998 \| 3550 \| 0.0004 \| - \|
	\| 0.1012 \| 3600 \| 0.0004 \| - \|
	\| 0.1026 \| 3650 \| 0.0004 \| - \|
	\| 0.1040 \| 3700 \| 0.0004 \| - \|
	\| 0.1054 \| 3750 \| 0.0004 \| - \|
	\| 0.1068 \| 3800 \| 0.0003 \| - \|
	\| 0.1082 \| 3850 \| 0.0003 \| - \|
	\| 0.1096 \| 3900 \| 0.0005 \| - \|
	\| 0.1110 \| 3950 \| 0.0005 \| - \|
	\| 0.1124 \| 4000 \| 0.0005 \| - \|
	\| 0.1138 \| 4050 \| 0.0003 \| - \|
	\| 0.1152 \| 4100 \| 0.0006 \| - \|
	\| 0.1166 \| 4150 \| 0.0004 \| - \|
	\| 0.1180 \| 4200 \| 0.0003 \| - \|
	\| 0.1194 \| 4250 \| 0.0004 \| - \|
	\| 0.1208 \| 4300 \| 0.0003 \| - \|
	\| 0.1222 \| 4350 \| 0.0004 \| - \|
	\| 0.1236 \| 4400 \| 0.0003 \| - \|
	\| 0.1250 \| 4450 \| 0.0003 \| - \|
	\| 0.1264 \| 4500 \| 0.0004 \| - \|
	\| 0.1279 \| 4550 \| 0.0003 \| - \|
	\| 0.1293 \| 4600 \| 0.0005 \| - \|
	\| 0.1307 \| 4650 \| 0.0004 \| - \|
	\| 0.1321 \| 4700 \| 0.0003 \| - \|
	\| 0.1335 \| 4750 \| 0.0004 \| - \|
	\| 0.1349 \| 4800 \| 0.0003 \| - \|
	\| 0.1363 \| 4850 \| 0.0003 \| - \|
	\| 0.1377 \| 4900 \| 0.0003 \| - \|
	\| 0.1391 \| 4950 \| 0.0003 \| - \|
	\| 0.1405 \| 5000 \| 0.0003 \| - \|
	\| 0.1419 \| 5050 \| 0.0003 \| - \|
	\| 0.1433 \| 5100 \| 0.0004 \| - \|
	\| 0.1447 \| 5150 \| 0.0003 \| - \|
	\| 0.1461 \| 5200 \| 0.0004 \| - \|
	\| 0.1475 \| 5250 \| 0.0004 \| - \|
	\| 0.1489 \| 5300 \| 0.0003 \| - \|
	\| 0.1503 \| 5350 \| 0.0003 \| - \|
	\| 0.1517 \| 5400 \| 0.0003 \| - \|
	\| 0.1531 \| 5450 \| 0.0003 \| - \|
	\| 0.1545 \| 5500 \| 0.0002 \| - \|
	\| 0.1560 \| 5550 \| 0.0003 \| - \|
	\| 0.1574 \| 5600 \| 0.0003 \| - \|
	\| 0.1588 \| 5650 \| 0.0003 \| - \|
	\| 0.1602 \| 5700 \| 0.0002 \| - \|
	\| 0.1616 \| 5750 \| 0.0002 \| - \|
	\| 0.1630 \| 5800 \| 0.0003 \| - \|
	\| 0.1644 \| 5850 \| 0.0002 \| - \|
	\| 0.1658 \| 5900 \| 0.0003 \| - \|
	\| 0.1672 \| 5950 \| 0.0002 \| - \|
	\| 0.1686 \| 6000 \| 0.0002 \| - \|
	\| 0.1700 \| 6050 \| 0.0002 \| - \|
	\| 0.1714 \| 6100 \| 0.0002 \| - \|
	\| 0.1728 \| 6150 \| 0.0003 \| - \|
	\| 0.1742 \| 6200 \| 0.0003 \| - \|
	\| 0.1756 \| 6250 \| 0.0003 \| - \|
	\| 0.1770 \| 6300 \| 0.0003 \| - \|
	\| 0.1784 \| 6350 \| 0.0002 \| - \|
	\| 0.1798 \| 6400 \| 0.0003 \| - \|
	\| 0.1812 \| 6450 \| 0.0002 \| - \|
	\| 0.1826 \| 6500 \| 0.0003 \| - \|
	\| 0.1841 \| 6550 \| 0.0002 \| - \|
	\| 0.1855 \| 6600 \| 0.0002 \| - \|
	\| 0.1869 \| 6650 \| 0.0002 \| - \|
	\| 0.1883 \| 6700 \| 0.0002 \| - \|
	\| 0.1897 \| 6750 \| 0.0003 \| - \|
	\| 0.1911 \| 6800 \| 0.0003 \| - \|
	\| 0.1925 \| 6850 \| 0.0002 \| - \|
	\| 0.1939 \| 6900 \| 0.0002 \| - \|
	\| 0.1953 \| 6950 \| 0.0002 \| - \|
	\| 0.1967 \| 7000 \| 0.0002 \| - \|
	\| 0.1981 \| 7050 \| 0.0001 \| - \|
	\| 0.1995 \| 7100 \| 0.0002 \| - \|
	\| 0.2009 \| 7150 \| 0.0002 \| - \|
	\| 0.2023 \| 7200 \| 0.0002 \| - \|
	\| 0.2037 \| 7250 \| 0.0002 \| - \|
	\| 0.2051 \| 7300 \| 0.0002 \| - \|
	\| 0.2065 \| 7350 \| 0.0001 \| - \|
	\| 0.2079 \| 7400 \| 0.0002 \| - \|
	\| 0.2093 \| 7450 \| 0.0024 \| - \|
	\| 0.2107 \| 7500 \| 0.0718 \| - \|
	\| 0.2122 \| 7550 \| 0.1 \| - \|
	\| 0.2136 \| 7600 \| 0.1876 \| - \|
	\| 0.2150 \| 7650 \| 0.1006 \| - \|
	\| 0.2164 \| 7700 \| 0.163 \| - \|
	\| 0.2178 \| 7750 \| 0.1008 \| - \|
	\| 0.2192 \| 7800 \| 0.1073 \| - \|
	\| 0.2206 \| 7850 \| 0.2059 \| - \|
	\| 0.2220 \| 7900 \| 0.112 \| - \|
	\| 0.2234 \| 7950 \| 0.1103 \| - \|
	\| 0.2248 \| 8000 \| 0.1921 \| - \|
	\| 0.2262 \| 8050 \| 0.0641 \| - \|
	\| 0.2276 \| 8100 \| 0.0992 \| - \|
	\| 0.2290 \| 8150 \| 0.2486 \| - \|
	\| 0.2304 \| 8200 \| 0.1716 \| - \|
	\| 0.2318 \| 8250 \| 0.142 \| - \|
	\| 0.2332 \| 8300 \| 0.1431 \| - \|
	\| 0.2346 \| 8350 \| 0.1774 \| - \|
	\| 0.2360 \| 8400 \| 0.1537 \| - \|
	\| 0.2374 \| 8450 \| 0.1902 \| - \|
	\| 0.2388 \| 8500 \| 0.1015 \| - \|
	\| 0.2402 \| 8550 \| 0.1401 \| - \|
	\| 0.2417 \| 8600 \| 0.2599 \| - \|
	\| 0.2431 \| 8650 \| 0.261 \| - \|
	\| 0.2445 \| 8700 \| 0.1861 \| - \|
	\| 0.2459 \| 8750 \| 0.1743 \| - \|
	\| 0.2473 \| 8800 \| 0.1705 \| - \|
	\| 0.2487 \| 8850 \| 0.1752 \| - \|
	\| 0.2501 \| 8900 \| 0.0914 \| - \|
	\| 0.2515 \| 8950 \| 0.1651 \| - \|
	\| 0.2529 \| 9000 \| 0.1165 \| - \|
	\| 0.2543 \| 9050 \| 0.2675 \| - \|
	\| 0.2557 \| 9100 \| 0.0953 \| - \|
	\| 0.2571 \| 9150 \| 0.0713 \| - \|
	\| 0.2585 \| 9200 \| 0.1782 \| - \|
	\| 0.2599 \| 9250 \| 0.1995 \| - \|
	\| 0.2613 \| 9300 \| 0.2393 \| - \|
	\| 0.2627 \| 9350 \| 0.1734 \| - \|
	\| 0.2641 \| 9400 \| 0.2222 \| - \|
	\| 0.2655 \| 9450 \| 0.3005 \| - \|
	\| 0.2669 \| 9500 \| 0.2252 \| - \|
	\| 0.2683 \| 9550 \| 0.2498 \| - \|
	\| 0.2698 \| 9600 \| 0.3293 \| - \|
	\| 0.2712 \| 9650 \| 0.2422 \| - \|
	\| 0.2726 \| 9700 \| 0.1943 \| - \|
	\| 0.2740 \| 9750 \| 0.2497 \| - \|
	\| 0.2754 \| 9800 \| 0.2538 \| - \|
	\| 0.2768 \| 9850 \| 0.2114 \| - \|
	\| 0.2782 \| 9900 \| 0.1719 \| - \|
	\| 0.2796 \| 9950 \| 0.2453 \| - \|
	\| 0.2810 \| 10000 \| 0.2571 \| - \|
	\| 0.2824 \| 10050 \| 0.2267 \| - \|
	\| 0.2838 \| 10100 \| 0.2274 \| - \|
	\| 0.2852 \| 10150 \| 0.2441 \| - \|
	\| 0.2866 \| 10200 \| 0.2536 \| - \|
	\| 0.2880 \| 10250 \| 0.236 \| - \|
	\| 0.2894 \| 10300 \| 0.204 \| - \|
	\| 0.2908 \| 10350 \| 0.2636 \| - \|
	\| 0.2922 \| 10400 \| 0.2562 \| - \|
	\| 0.2936 \| 10450 \| 0.2437 \| - \|
	\| 0.2950 \| 10500 \| 0.2395 \| - \|
	\| 0.2964 \| 10550 \| 0.2616 \| - \|
	\| 0.2979 \| 10600 \| 0.272 \| - \|
	\| 0.2993 \| 10650 \| 0.2637 \| - \|
	\| 0.3007 \| 10700 \| 0.2503 \| - \|
	\| 0.3021 \| 10750 \| 0.2401 \| - \|
	\| 0.3035 \| 10800 \| 0.2485 \| - \|
	\| 0.3049 \| 10850 \| 0.2521 \| - \|
	\| 0.3063 \| 10900 \| 0.256 \| - \|
	\| 0.3077 \| 10950 \| 0.2363 \| - \|
	\| 0.3091 \| 11000 \| 0.2482 \| - \|
	\| 0.3105 \| 11050 \| 0.2533 \| - \|
	\| 0.3119 \| 11100 \| 0.2598 \| - \|
	\| 0.3133 \| 11150 \| 0.2572 \| - \|
	\| 0.3147 \| 11200 \| 0.2631 \| - \|
	\| 0.3161 \| 11250 \| 0.2399 \| - \|
	\| 0.3175 \| 11300 \| 0.2509 \| - \|
	\| 0.3189 \| 11350 \| 0.2447 \| - \|
	\| 0.3203 \| 11400 \| 0.2395 \| - \|
	\| 0.3217 \| 11450 \| 0.2439 \| - \|
	\| 0.3231 \| 11500 \| 0.2497 \| - \|
	\| 0.3245 \| 11550 \| 0.2377 \| - \|
	\| 0.3260 \| 11600 \| 0.2452 \| - \|
	\| 0.3274 \| 11650 \| 0.2361 \| - \|
	\| 0.3288 \| 11700 \| 0.2431 \| - \|
	\| 0.3302 \| 11750 \| 0.2462 \| - \|
	\| 0.3316 \| 11800 \| 0.2438 \| - \|
	\| 0.3330 \| 11850 \| 0.2498 \| - \|
	\| 0.3344 \| 11900 \| 0.262 \| - \|
	\| 0.3358 \| 11950 \| 0.2451 \| - \|
	\| 0.3372 \| 12000 \| 0.251 \| - \|
	\| 0.3386 \| 12050 \| 0.2605 \| - \|
	\| 0.3400 \| 12100 \| 0.2477 \| - \|
	\| 0.3414 \| 12150 \| 0.2417 \| - \|
	\| 0.3428 \| 12200 \| 0.2566 \| - \|
	\| 0.3442 \| 12250 \| 0.2373 \| - \|
	\| 0.3456 \| 12300 \| 0.2444 \| - \|
	\| 0.3470 \| 12350 \| 0.2589 \| - \|
	\| 0.3484 \| 12400 \| 0.2491 \| - \|
	\| 0.3498 \| 12450 \| 0.2438 \| - \|
	\| 0.3512 \| 12500 \| 0.2519 \| - \|
	\| 0.3526 \| 12550 \| 0.2406 \| - \|
	\| 0.3541 \| 12600 \| 0.2472 \| - \|
	\| 0.3555 \| 12650 \| 0.2447 \| - \|
	\| 0.3569 \| 12700 \| 0.2677 \| - \|
	\| 0.3583 \| 12750 \| 0.2486 \| - \|
	\| 0.3597 \| 12800 \| 0.2585 \| - \|
	\| 0.3611 \| 12850 \| 0.2539 \| - \|
	\| 0.3625 \| 12900 \| 0.2556 \| - \|
	\| 0.3639 \| 12950 \| 0.2653 \| - \|
	\| 0.3653 \| 13000 \| 0.2583 \| - \|
	\| 0.3667 \| 13050 \| 0.2308 \| - \|
	\| 0.3681 \| 13100 \| 0.2586 \| - \|
	\| 0.3695 \| 13150 \| 0.2384 \| - \|
	\| 0.3709 \| 13200 \| 0.2645 \| - \|
	\| 0.3723 \| 13250 \| 0.2394 \| - \|
	\| 0.3737 \| 13300 \| 0.2575 \| - \|
	\| 0.3751 \| 13350 \| 0.2418 \| - \|
	\| 0.3765 \| 13400 \| 0.2414 \| - \|
	\| 0.3779 \| 13450 \| 0.2516 \| - \|
	\| 0.3793 \| 13500 \| 0.2571 \| - \|
	\| 0.3807 \| 13550 \| 0.2352 \| - \|
	\| 0.3822 \| 13600 \| 0.2584 \| - \|
	\| 0.3836 \| 13650 \| 0.2561 \| - \|
	\| 0.3850 \| 13700 \| 0.2672 \| - \|
	\| 0.3864 \| 13750 \| 0.2574 \| - \|
	\| 0.3878 \| 13800 \| 0.2398 \| - \|
	\| 0.3892 \| 13850 \| 0.2359 \| - \|
	\| 0.3906 \| 13900 \| 0.2397 \| - \|
	\| 0.3920 \| 13950 \| 0.2582 \| - \|
	\| 0.3934 \| 14000 \| 0.2468 \| - \|
	\| 0.3948 \| 14050 \| 0.2702 \| - \|
	\| 0.3962 \| 14100 \| 0.2547 \| - \|
	\| 0.3976 \| 14150 \| 0.2382 \| - \|
	\| 0.3990 \| 14200 \| 0.255 \| - \|
	\| 0.4004 \| 14250 \| 0.2382 \| - \|
	\| 0.4018 \| 14300 \| 0.2516 \| - \|
	\| 0.4032 \| 14350 \| 0.236 \| - \|
	\| 0.4046 \| 14400 \| 0.2499 \| - \|
	\| 0.4060 \| 14450 \| 0.2606 \| - \|
	\| 0.4074 \| 14500 \| 0.2514 \| - \|
	\| 0.4088 \| 14550 \| 0.2442 \| - \|
	\| 0.4103 \| 14600 \| 0.2516 \| - \|
	\| 0.4117 \| 14650 \| 0.2439 \| - \|
	\| 0.4131 \| 14700 \| 0.2547 \| - \|
	\| 0.4145 \| 14750 \| 0.2522 \| - \|
	\| 0.4159 \| 14800 \| 0.2421 \| - \|
	\| 0.4173 \| 14850 \| 0.2461 \| - \|
	\| 0.4187 \| 14900 \| 0.2663 \| - \|
	\| 0.4201 \| 14950 \| 0.259 \| - \|
	\| 0.4215 \| 15000 \| 0.2526 \| - \|
	\| 0.4229 \| 15050 \| 0.2527 \| - \|
	\| 0.4243 \| 15100 \| 0.2547 \| - \|
	\| 0.4257 \| 15150 \| 0.2696 \| - \|
	\| 0.4271 \| 15200 \| 0.2399 \| - \|
	\| 0.4285 \| 15250 \| 0.2557 \| - \|
	\| 0.4299 \| 15300 \| 0.2581 \| - \|
	\| 0.4313 \| 15350 \| 0.2402 \| - \|
	\| 0.4327 \| 15400 \| 0.2658 \| - \|
	\| 0.4341 \| 15450 \| 0.2491 \| - \|
	\| 0.4355 \| 15500 \| 0.2434 \| - \|
	\| 0.4369 \| 15550 \| 0.2511 \| - \|
	\| 0.4384 \| 15600 \| 0.2448 \| - \|
	\| 0.4398 \| 15650 \| 0.262 \| - \|
	\| 0.4412 \| 15700 \| 0.2549 \| - \|
	\| 0.4426 \| 15750 \| 0.2546 \| - \|
	\| 0.4440 \| 15800 \| 0.2444 \| - \|
	\| 0.4454 \| 15850 \| 0.2551 \| - \|
	\| 0.4468 \| 15900 \| 0.247 \| - \|
	\| 0.4482 \| 15950 \| 0.253 \| - \|
	\| 0.4496 \| 16000 \| 0.2615 \| - \|
	\| 0.4510 \| 16050 \| 0.2514 \| - \|
	\| 0.4524 \| 16100 \| 0.2587 \| - \|
	\| 0.4538 \| 16150 \| 0.2591 \| - \|
	\| 0.4552 \| 16200 \| 0.249 \| - \|
	\| 0.4566 \| 16250 \| 0.2459 \| - \|
	\| 0.4580 \| 16300 \| 0.2582 \| - \|
	\| 0.4594 \| 16350 \| 0.243 \| - \|
	\| 0.4608 \| 16400 \| 0.2493 \| - \|
	\| 0.4622 \| 16450 \| 0.2306 \| - \|
	\| 0.4636 \| 16500 \| 0.2561 \| - \|
	\| 0.4650 \| 16550 \| 0.2363 \| - \|
	\| 0.4664 \| 16600 \| 0.2412 \| - \|
	\| 0.4679 \| 16650 \| 0.2454 \| - \|
	\| 0.4693 \| 16700 \| 0.2575 \| - \|
	\| 0.4707 \| 16750 \| 0.2369 \| - \|
	\| 0.4721 \| 16800 \| 0.245 \| - \|
	\| 0.4735 \| 16850 \| 0.2591 \| - \|
	\| 0.4749 \| 16900 \| 0.2582 \| - \|
	\| 0.4763 \| 16950 \| 0.2629 \| - \|
	\| 0.4777 \| 17000 \| 0.2393 \| - \|
	\| 0.4791 \| 17050 \| 0.2563 \| - \|
	\| 0.4805 \| 17100 \| 0.2511 \| - \|
	\| 0.4819 \| 17150 \| 0.2538 \| - \|
	\| 0.4833 \| 17200 \| 0.2464 \| - \|
	\| 0.4847 \| 17250 \| 0.2511 \| - \|
	\| 0.4861 \| 17300 \| 0.244 \| - \|
	\| 0.4875 \| 17350 \| 0.2688 \| - \|
	\| 0.4889 \| 17400 \| 0.2729 \| - \|
	\| 0.4903 \| 17450 \| 0.2523 \| - \|
	\| 0.4917 \| 17500 \| 0.2507 \| - \|
	\| 0.4931 \| 17550 \| 0.2527 \| - \|
	\| 0.4945 \| 17600 \| 0.2478 \| - \|
	\| 0.4960 \| 17650 \| 0.26 \| - \|
	\| 0.4974 \| 17700 \| 0.2526 \| - \|
	\| 0.4988 \| 17750 \| 0.2549 \| - \|
	\| 0.5002 \| 17800 \| 0.2496 \| - \|
	\| 0.5016 \| 17850 \| 0.2537 \| - \|
	\| 0.5030 \| 17900 \| 0.2644 \| - \|
	\| 0.5044 \| 17950 \| 0.2633 \| - \|
	\| 0.5058 \| 18000 \| 0.2515 \| - \|
	\| 0.5072 \| 18050 \| 0.2551 \| - \|
	\| 0.5086 \| 18100 \| 0.2427 \| - \|
	\| 0.5100 \| 18150 \| 0.2615 \| - \|
	\| 0.5114 \| 18200 \| 0.2455 \| - \|
	\| 0.5128 \| 18250 \| 0.2615 \| - \|
	\| 0.5142 \| 18300 \| 0.2558 \| - \|
	\| 0.5156 \| 18350 \| 0.2483 \| - \|
	\| 0.5170 \| 18400 \| 0.2618 \| - \|
	\| 0.5184 \| 18450 \| 0.2404 \| - \|
	\| 0.5198 \| 18500 \| 0.2562 \| - \|
	\| 0.5212 \| 18550 \| 0.259 \| - \|
	\| 0.5226 \| 18600 \| 0.246 \| - \|
	\| 0.5241 \| 18650 \| 0.2529 \| - \|
	\| 0.5255 \| 18700 \| 0.2526 \| - \|
	\| 0.5269 \| 18750 \| 0.2381 \| - \|
	\| 0.5283 \| 18800 \| 0.2648 \| - \|
	\| 0.5297 \| 18850 \| 0.2628 \| - \|
	\| 0.5311 \| 18900 \| 0.2528 \| - \|
	\| 0.5325 \| 18950 \| 0.2447 \| - \|
	\| 0.5339 \| 19000 \| 0.2467 \| - \|
	\| 0.5353 \| 19050 \| 0.2487 \| - \|
	\| 0.5367 \| 19100 \| 0.2494 \| - \|
	\| 0.5381 \| 19150 \| 0.2441 \| - \|
	\| 0.5395 \| 19200 \| 0.2507 \| - \|
	\| 0.5409 \| 19250 \| 0.2494 \| - \|
	\| 0.5423 \| 19300 \| 0.2501 \| - \|
	\| 0.5437 \| 19350 \| 0.2586 \| - \|
	\| 0.5451 \| 19400 \| 0.2677 \| - \|
	\| 0.5465 \| 19450 \| 0.2558 \| - \|
	\| 0.5479 \| 19500 \| 0.2444 \| - \|
	\| 0.5493 \| 19550 \| 0.251 \| - \|
	\| 0.5507 \| 19600 \| 0.2545 \| - \|
	\| 0.5522 \| 19650 \| 0.2464 \| - \|
	\| 0.5536 \| 19700 \| 0.2565 \| - \|
	\| 0.5550 \| 19750 \| 0.2674 \| - \|
	\| 0.5564 \| 19800 \| 0.2483 \| - \|
	\| 0.5578 \| 19850 \| 0.241 \| - \|
	\| 0.5592 \| 19900 \| 0.2504 \| - \|
	\| 0.5606 \| 19950 \| 0.2655 \| - \|
	\| 0.5620 \| 20000 \| 0.2484 \| - \|
	\| 0.5634 \| 20050 \| 0.254 \| - \|
	\| 0.5648 \| 20100 \| 0.2482 \| - \|
	\| 0.5662 \| 20150 \| 0.2644 \| - \|
	\| 0.5676 \| 20200 \| 0.2694 \| - \|
	\| 0.5690 \| 20250 \| 0.258 \| - \|
	\| 0.5704 \| 20300 \| 0.2587 \| - \|
	\| 0.5718 \| 20350 \| 0.2571 \| - \|
	\| 0.5732 \| 20400 \| 0.2464 \| - \|
	\| 0.5746 \| 20450 \| 0.2531 \| - \|
	\| 0.5760 \| 20500 \| 0.2504 \| - \|
	\| 0.5774 \| 20550 \| 0.2551 \| - \|
	\| 0.5788 \| 20600 \| 0.253 \| - \|
	\| 0.5803 \| 20650 \| 0.2374 \| - \|
	\| 0.5817 \| 20700 \| 0.2405 \| - \|
	\| 0.5831 \| 20750 \| 0.2435 \| - \|
	\| 0.5845 \| 20800 \| 0.2569 \| - \|
	\| 0.5859 \| 20850 \| 0.2533 \| - \|
	\| 0.5873 \| 20900 \| 0.2508 \| - \|
	\| 0.5887 \| 20950 \| 0.2508 \| - \|
	\| 0.5901 \| 21000 \| 0.2531 \| - \|
	\| 0.5915 \| 21050 \| 0.2381 \| - \|
	\| 0.5929 \| 21100 \| 0.2009 \| - \|
	\| 0.5943 \| 21150 \| 0.0899 \| - \|
	\| 0.5957 \| 21200 \| 0.3046 \| - \|
	\| 0.5971 \| 21250 \| 0.2006 \| - \|
	\| 0.5985 \| 21300 \| 0.2289 \| - \|
	\| 0.5999 \| 21350 \| 0.1581 \| - \|
	\| 0.6013 \| 21400 \| 0.1769 \| - \|
	\| 0.6027 \| 21450 \| 0.2377 \| - \|
	\| 0.6041 \| 21500 \| 0.1988 \| - \|
	\| 0.6055 \| 21550 \| 0.2543 \| - \|
	\| 0.6069 \| 21600 \| 0.2517 \| - \|
	\| 0.6084 \| 21650 \| 0.2191 \| - \|
	\| 0.6098 \| 21700 \| 0.2803 \| - \|
	\| 0.6112 \| 21750 \| 0.2984 \| - \|
	\| 0.6126 \| 21800 \| 0.1915 \| - \|
	\| 0.6140 \| 21850 \| 0.189 \| - \|
	\| 0.6154 \| 21900 \| 0.1302 \| - \|
	\| 0.6168 \| 21950 \| 0.203 \| - \|
	\| 0.6182 \| 22000 \| 0.2038 \| - \|
	\| 0.6196 \| 22050 \| 0.134 \| - \|
	\| 0.6210 \| 22100 \| 0.1904 \| - \|
	\| 0.6224 \| 22150 \| 0.1477 \| - \|
	\| 0.6238 \| 22200 \| 0.1338 \| - \|
	\| 0.6252 \| 22250 \| 0.0709 \| - \|
	\| 0.6266 \| 22300 \| 0.0902 \| - \|
	\| 0.6280 \| 22350 \| 0.2025 \| - \|
	\| 0.6294 \| 22400 \| 0.0991 \| - \|
	\| 0.6308 \| 22450 \| 0.1321 \| - \|
	\| 0.6322 \| 22500 \| 0.1356 \| - \|
	\| 0.6336 \| 22550 \| 0.1682 \| - \|
	\| 0.6350 \| 22600 \| 0.2064 \| - \|
	\| 0.6365 \| 22650 \| 0.2 \| - \|
	\| 0.6379 \| 22700 \| 0.2105 \| - \|
	\| 0.6393 \| 22750 \| 0.2074 \| - \|
	\| 0.6407 \| 22800 \| 0.1901 \| - \|
	\| 0.6421 \| 22850 \| 0.1914 \| - \|
	\| 0.6435 \| 22900 \| 0.1831 \| - \|
	\| 0.6449 \| 22950 \| 0.1423 \| - \|
	\| 0.6463 \| 23000 \| 0.2502 \| - \|
	\| 0.6477 \| 23050 \| 0.1655 \| - \|
	\| 0.6491 \| 23100 \| 0.1585 \| - \|
	\| 0.6505 \| 23150 \| 0.2122 \| - \|
	\| 0.6519 \| 23200 \| 0.217 \| - \|
	\| 0.6533 \| 23250 \| 0.1704 \| - \|
	\| 0.6547 \| 23300 \| 0.189 \| - \|
	\| 0.6561 \| 23350 \| 0.1333 \| - \|
	\| 0.6575 \| 23400 \| 0.1863 \| - \|
	\| 0.6589 \| 23450 \| 0.2089 \| - \|
	\| 0.6603 \| 23500 \| 0.1261 \| - \|
	\| 0.6617 \| 23550 \| 0.1655 \| - \|
	\| 0.6631 \| 23600 \| 0.1721 \| - \|
	\| 0.6645 \| 23650 \| 0.083 \| - \|
	\| 0.6660 \| 23700 \| 0.1166 \| - \|
	\| 0.6674 \| 23750 \| 0.146 \| - \|
	\| 0.6688 \| 23800 \| 0.0423 \| - \|
	\| 0.6702 \| 23850 \| 0.1781 \| - \|
	\| 0.6716 \| 23900 \| 0.121 \| - \|
	\| 0.6730 \| 23950 \| 0.1624 \| - \|
	\| 0.6744 \| 24000 \| 0.1483 \| - \|
	\| 0.6758 \| 24050 \| 0.1479 \| - \|
	\| 0.6772 \| 24100 \| 0.2285 \| - \|
	\| 0.6786 \| 24150 \| 0.2084 \| - \|
	\| 0.6800 \| 24200 \| 0.12 \| - \|
	\| 0.6814 \| 24250 \| 0.115 \| - \|
	\| 0.6828 \| 24300 \| 0.1331 \| - \|
	\| 0.6842 \| 24350 \| 0.0971 \| - \|
	\| 0.6856 \| 24400 \| 0.0846 \| - \|
	\| 0.6870 \| 24450 \| 0.2254 \| - \|
	\| 0.6884 \| 24500 \| 0.1348 \| - \|
	\| 0.6898 \| 24550 \| 0.0633 \| - \|
	\| 0.6912 \| 24600 \| 0.1207 \| - \|
	\| 0.6926 \| 24650 \| 0.2109 \| - \|
	\| 0.6941 \| 24700 \| 0.0768 \| - \|
	\| 0.6955 \| 24750 \| 0.108 \| - \|
	\| 0.6969 \| 24800 \| 0.0665 \| - \|
	\| 0.6983 \| 24850 \| 0.0601 \| - \|
	\| 0.6997 \| 24900 \| 0.1922 \| - \|
	\| 0.7011 \| 24950 \| 0.1517 \| - \|
	\| 0.7025 \| 25000 \| 0.1049 \| - \|
	\| 0.7039 \| 25050 \| 0.1122 \| - \|
	\| 0.7053 \| 25100 \| 0.0973 \| - \|
	\| 0.7067 \| 25150 \| 0.1547 \| - \|
	\| 0.7081 \| 25200 \| 0.115 \| - \|
	\| 0.7095 \| 25250 \| 0.1881 \| - \|
	\| 0.7109 \| 25300 \| 0.2144 \| - \|
	\| 0.7123 \| 25350 \| 0.0567 \| - \|
	\| 0.7137 \| 25400 \| 0.0917 \| - \|
	\| 0.7151 \| 25450 \| 0.1404 \| - \|
	\| 0.7165 \| 25500 \| 0.019 \| - \|
	\| 0.7179 \| 25550 \| 0.1382 \| - \|
	\| 0.7193 \| 25600 \| 0.0727 \| - \|
	\| 0.7207 \| 25650 \| 0.1125 \| - \|
	\| 0.7222 \| 25700 \| 0.1133 \| - \|
	\| 0.7236 \| 25750 \| 0.0987 \| - \|
	\| 0.7250 \| 25800 \| 0.1915 \| - \|
	\| 0.7264 \| 25850 \| 0.09 \| - \|
	\| 0.7278 \| 25900 \| 0.1462 \| - \|
	\| 0.7292 \| 25950 \| 0.0881 \| - \|
	\| 0.7306 \| 26000 \| 0.1026 \| - \|
	\| 0.7320 \| 26050 \| 0.1079 \| - \|
	\| 0.7334 \| 26100 \| 0.1639 \| - \|
	\| 0.7348 \| 26150 \| 0.1229 \| - \|
	\| 0.7362 \| 26200 \| 0.3261 \| - \|
	\| 0.7376 \| 26250 \| 0.1426 \| - \|
	\| 0.7390 \| 26300 \| 0.0773 \| - \|
	\| 0.7404 \| 26350 \| 0.1607 \| - \|
	\| 0.7418 \| 26400 \| 0.1354 \| - \|
	\| 0.7432 \| 26450 \| 0.1512 \| - \|
	\| 0.7446 \| 26500 \| 0.1875 \| - \|
	\| 0.7460 \| 26550 \| 0.1403 \| - \|
	\| 0.7474 \| 26600 \| 0.1287 \| - \|
	\| 0.7488 \| 26650 \| 0.1892 \| - \|
	\| 0.7503 \| 26700 \| 0.166 \| - \|
	\| 0.7517 \| 26750 \| 0.2385 \| - \|
	\| 0.7531 \| 26800 \| 0.1445 \| - \|
	\| 0.7545 \| 26850 \| 0.0969 \| - \|
	\| 0.7559 \| 26900 \| 0.0948 \| - \|
	\| 0.7573 \| 26950 \| 0.0589 \| - \|
	\| 0.7587 \| 27000 \| 0.2326 \| - \|
	\| 0.7601 \| 27050 \| 0.1438 \| - \|
	\| 0.7615 \| 27100 \| 0.1032 \| - \|
	\| 0.7629 \| 27150 \| 0.0784 \| - \|
	\| 0.7643 \| 27200 \| 0.1478 \| - \|
	\| 0.7657 \| 27250 \| 0.1872 \| - \|
	\| 0.7671 \| 27300 \| 0.0672 \| - \|
	\| 0.7685 \| 27350 \| 0.0725 \| - \|
	\| 0.7699 \| 27400 \| 0.0771 \| - \|
	\| 0.7713 \| 27450 \| 0.2575 \| - \|
	\| 0.7727 \| 27500 \| 0.133 \| - \|
	\| 0.7741 \| 27550 \| 0.1222 \| - \|
	\| 0.7755 \| 27600 \| 0.1207 \| - \|
	\| 0.7769 \| 27650 \| 0.0973 \| - \|
	\| 0.7784 \| 27700 \| 0.2186 \| - \|
	\| 0.7798 \| 27750 \| 0.1648 \| - \|
	\| 0.7812 \| 27800 \| 0.1128 \| - \|
	\| 0.7826 \| 27850 \| 0.1626 \| - \|
	\| 0.7840 \| 27900 \| 0.1768 \| - \|
	\| 0.7854 \| 27950 \| 0.1806 \| - \|
	\| 0.7868 \| 28000 \| 0.1197 \| - \|
	\| 0.7882 \| 28050 \| 0.0472 \| - \|
	\| 0.7896 \| 28100 \| 0.1463 \| - \|
	\| 0.7910 \| 28150 \| 0.1707 \| - \|
	\| 0.7924 \| 28200 \| 0.0924 \| - \|
	\| 0.7938 \| 28250 \| 0.1708 \| - \|
	\| 0.7952 \| 28300 \| 0.1101 \| - \|
	\| 0.7966 \| 28350 \| 0.0867 \| - \|
	\| 0.7980 \| 28400 \| 0.1606 \| - \|
	\| 0.7994 \| 28450 \| 0.2422 \| - \|
	\| 0.8008 \| 28500 \| 0.1289 \| - \|
	\| 0.8022 \| 28550 \| 0.0513 \| - \|
	\| 0.8036 \| 28600 \| 0.1468 \| - \|
	\| 0.8050 \| 28650 \| 0.1742 \| - \|
	\| 0.8065 \| 28700 \| 0.0813 \| - \|
	\| 0.8079 \| 28750 \| 0.0916 \| - \|
	\| 0.8093 \| 28800 \| 0.0826 \| - \|
	\| 0.8107 \| 28850 \| 0.1457 \| - \|
	\| 0.8121 \| 28900 \| 0.0952 \| - \|
	\| 0.8135 \| 28950 \| 0.1376 \| - \|
	\| 0.8149 \| 29000 \| 0.06 \| - \|
	\| 0.8163 \| 29050 \| 0.1221 \| - \|
	\| 0.8177 \| 29100 \| 0.0713 \| - \|
	\| 0.8191 \| 29150 \| 0.1219 \| - \|
	\| 0.8205 \| 29200 \| 0.1051 \| - \|
	\| 0.8219 \| 29250 \| 0.1503 \| - \|
	\| 0.8233 \| 29300 \| 0.1128 \| - \|
	\| 0.8247 \| 29350 \| 0.0946 \| - \|
	\| 0.8261 \| 29400 \| 0.2115 \| - \|
	\| 0.8275 \| 29450 \| 0.1058 \| - \|
	\| 0.8289 \| 29500 \| 0.1085 \| - \|
	\| 0.8303 \| 29550 \| 0.1632 \| - \|
	\| 0.8317 \| 29600 \| 0.1022 \| - \|
	\| 0.8331 \| 29650 \| 0.136 \| - \|
	\| 0.8346 \| 29700 \| 0.1231 \| - \|
	\| 0.8360 \| 29750 \| 0.0929 \| - \|
	\| 0.8374 \| 29800 \| 0.1299 \| - \|
	\| 0.8388 \| 29850 \| 0.0693 \| - \|
	\| 0.8402 \| 29900 \| 0.0738 \| - \|
	\| 0.8416 \| 29950 \| 0.0826 \| - \|
	\| 0.8430 \| 30000 \| 0.1831 \| - \|
	\| 0.8444 \| 30050 \| 0.0962 \| - \|
	\| 0.8458 \| 30100 \| 0.0869 \| - \|
	\| 0.8472 \| 30150 \| 0.1459 \| - \|
	\| 0.8486 \| 30200 \| 0.1468 \| - \|
	\| 0.8500 \| 30250 \| 0.2132 \| - \|
	\| 0.8514 \| 30300 \| 0.1472 \| - \|
	\| 0.8528 \| 30350 \| 0.1294 \| - \|
	\| 0.8542 \| 30400 \| 0.0822 \| - \|
	\| 0.8556 \| 30450 \| 0.144 \| - \|
	\| 0.8570 \| 30500 \| 0.1216 \| - \|
	\| 0.8584 \| 30550 \| 0.1381 \| - \|
	\| 0.8598 \| 30600 \| 0.1612 \| - \|
	\| 0.8612 \| 30650 \| 0.1665 \| - \|
	\| 0.8627 \| 30700 \| 0.2035 \| - \|
	\| 0.8641 \| 30750 \| 0.136 \| - \|
	\| 0.8655 \| 30800 \| 0.1685 \| - \|
	\| 0.8669 \| 30850 \| 0.1421 \| - \|
	\| 0.8683 \| 30900 \| 0.1169 \| - \|
	\| 0.8697 \| 30950 \| 0.1799 \| - \|
	\| 0.8711 \| 31000 \| 0.2185 \| - \|
	\| 0.8725 \| 31050 \| 0.1321 \| - \|
	\| 0.8739 \| 31100 \| 0.145 \| - \|
	\| 0.8753 \| 31150 \| 0.1848 \| - \|
	\| 0.8767 \| 31200 \| 0.2173 \| - \|
	\| 0.8781 \| 31250 \| 0.2036 \| - \|
	\| 0.8795 \| 31300 \| 0.2056 \| - \|
	\| 0.8809 \| 31350 \| 0.312 \| - \|
	\| 0.8823 \| 31400 \| 0.2119 \| - \|
	\| 0.8837 \| 31450 \| 0.1875 \| - \|
	\| 0.8851 \| 31500 \| 0.2216 \| - \|
	\| 0.8865 \| 31550 \| 0.2267 \| - \|
	\| 0.8879 \| 31600 \| 0.2709 \| - \|
	\| 0.8893 \| 31650 \| 0.1868 \| - \|
	\| 0.8907 \| 31700 \| 0.1752 \| - \|
	\| 0.8922 \| 31750 \| 0.2468 \| - \|
	\| 0.8936 \| 31800 \| 0.1632 \| - \|
	\| 0.8950 \| 31850 \| 0.2483 \| - \|
	\| 0.8964 \| 31900 \| 0.1597 \| - \|
	\| 0.8978 \| 31950 \| 0.1587 \| - \|
	\| 0.8992 \| 32000 \| 0.0897 \| - \|
	\| 0.9006 \| 32050 \| 0.0764 \| - \|
	\| 0.9020 \| 32100 \| 0.1798 \| - \|
	\| 0.9034 \| 32150 \| 0.1254 \| - \|
	\| 0.9048 \| 32200 \| 0.1905 \| - \|
	\| 0.9062 \| 32250 \| 0.0714 \| - \|
	\| 0.9076 \| 32300 \| 0.1377 \| - \|
	\| 0.9090 \| 32350 \| 0.0192 \| - \|
	\| 0.9104 \| 32400 \| 0.1208 \| - \|
	\| 0.9118 \| 32450 \| 0.239 \| - \|
	\| 0.9132 \| 32500 \| 0.0965 \| - \|
	\| 0.9146 \| 32550 \| 0.1189 \| - \|
	\| 0.9160 \| 32600 \| 0.0856 \| - \|
	\| 0.9174 \| 32650 \| 0.1041 \| - \|
	\| 0.9188 \| 32700 \| 0.1107 \| - \|
	\| 0.9203 \| 32750 \| 0.1499 \| - \|
	\| 0.9217 \| 32800 \| 0.0874 \| - \|
	\| 0.9231 \| 32850 \| 0.1255 \| - \|
	\| 0.9245 \| 32900 \| 0.1099 \| - \|
	\| 0.9259 \| 32950 \| 0.1806 \| - \|
	\| 0.9273 \| 33000 \| 0.0544 \| - \|
	\| 0.9287 \| 33050 \| 0.0504 \| - \|
	\| 0.9301 \| 33100 \| 0.2441 \| - \|
	\| 0.9315 \| 33150 \| 0.0266 \| - \|
	\| 0.9329 \| 33200 \| 0.0985 \| - \|
	\| 0.9343 \| 33250 \| 0.0923 \| - \|
	\| 0.9357 \| 33300 \| 0.1054 \| - \|
	\| 0.9371 \| 33350 \| 0.0625 \| - \|
	\| 0.9385 \| 33400 \| 0.0882 \| - \|
	\| 0.9399 \| 33450 \| 0.102 \| - \|
	\| 0.9413 \| 33500 \| 0.108 \| - \|
	\| 0.9427 \| 33550 \| 0.135 \| - \|
	\| 0.9441 \| 33600 \| 0.1016 \| - \|
	\| 0.9455 \| 33650 \| 0.2008 \| - \|
	\| 0.9469 \| 33700 \| 0.0591 \| - \|
	\| 0.9484 \| 33750 \| 0.1922 \| - \|
	\| 0.9498 \| 33800 \| 0.1045 \| - \|
	\| 0.9512 \| 33850 \| 0.102 \| - \|
	\| 0.9526 \| 33900 \| 0.0634 \| - \|
	\| 0.9540 \| 33950 \| 0.0668 \| - \|
	\| 0.9554 \| 34000 \| 0.1339 \| - \|
	\| 0.9568 \| 34050 \| 0.0599 \| - \|
	\| 0.9582 \| 34100 \| 0.0623 \| - \|
	\| 0.9596 \| 34150 \| 0.1133 \| - \|
	\| 0.9610 \| 34200 \| 0.1218 \| - \|
	\| 0.9624 \| 34250 \| 0.0618 \| - \|
	\| 0.9638 \| 34300 \| 0.1062 \| - \|
	\| 0.9652 \| 34350 \| 0.0909 \| - \|
	\| 0.9666 \| 34400 \| 0.0885 \| - \|
	\| 0.9680 \| 34450 \| 0.1461 \| - \|
	\| 0.9694 \| 34500 \| 0.0254 \| - \|
	\| 0.9708 \| 34550 \| 0.0697 \| - \|
	\| 0.9722 \| 34600 \| 0.016 \| - \|
	\| 0.9736 \| 34650 \| 0.1524 \| - \|
	\| 0.9750 \| 34700 \| 0.1468 \| - \|
	\| 0.9765 \| 34750 \| 0.1497 \| - \|
	\| 0.9779 \| 34800 \| 0.0785 \| - \|
	\| 0.9793 \| 34850 \| 0.0645 \| - \|
	\| 0.9807 \| 34900 \| 0.1357 \| - \|
	\| 0.9821 \| 34950 \| 0.1469 \| - \|
	\| 0.9835 \| 35000 \| 0.2356 \| - \|
	\| 0.9849 \| 35050 \| 0.018 \| - \|
	\| 0.9863 \| 35100 \| 0.1534 \| - \|
	\| 0.9877 \| 35150 \| 0.14 \| - \|
	\| 0.9891 \| 35200 \| 0.1001 \| - \|
	\| 0.9905 \| 35250 \| 0.0614 \| - \|
	\| 0.9919 \| 35300 \| 0.1407 \| - \|
	\| 0.9933 \| 35350 \| 0.1104 \| - \|
	\| 0.9947 \| 35400 \| 0.1477 \| - \|
	\| 0.9961 \| 35450 \| 0.1279 \| - \|
	\| 0.9975 \| 35500 \| 0.0957 \| - \|
	\| 0.9989 \| 35550 \| 0.0579 \| - \|
	\| 1.0 \| 35588 \| - \| 0.1207 \|

	* The bold row denotes the saved checkpoint.
	### Framework Versions
	- Python: 3.11.9
	- SetFit: 1.1.0.dev0
	- Sentence Transformers: 3.0.1
	- Transformers: 4.44.2
	- PyTorch: 2.4.0+cu121
	- Datasets: 2.21.0
	- 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.
	-->