---
base_model: hackathon-pln-es/paraphrase-spanish-distilroberta
library_name: setfit
metrics:
- accuracy
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: GESTIÓN DE LA PLANEACIÓN INSTITUCIONALACTIVIDADES TRANSVERSALES PARA EL PROCESO
    DE PLANEACIÓN INSTITUCIONALResporder las solicitudes de información de terceros
    o el mismo instituto (nivel de complejidad medio)
- text: GESTIÓN DE LA PLANEACIÓN INSTITUCIONALACTIVIDADES TRANSVERSALES PARA EL PROCESO
    DE PLANEACIÓN INSTITUCIONALRegistrar en el sistema de control la entrega del documento
    solicitado.
- text: GESTIÓN DEL SERVICIO PERICIALFÍSICA - TRÁMITE DE SOLICITUDES Y GENERACIÓN
    Y ENVÍO DE INFORMES PERICIALES DEL SERVICIO DE FÍSICA FORENSEDigitalizar el expediente
- text: GESTIÓN DEL SERVICIO PERICIALANTROPOLOGÍA - ANÁLISIS ANTROPOLÓGICO FORENSERealizar
    la toma de muestras de la escrictura osea con la anuencia del Médico.
- text: GESTIÓN DE LA PLANEACIÓN INSTITUCIONALACTIVIDADES TRANSVERSALES PARA EL PROCESO
    DE PLANEACIÓN INSTITUCIONALRealizar las capacitaciones en sistemas y plataformas
    requeridas por las áreas.
inference: true
model-index:
- name: SetFit with hackathon-pln-es/paraphrase-spanish-distilroberta
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: accuracy
      value: 0.96
      name: Accuracy
---

# SetFit with hackathon-pln-es/paraphrase-spanish-distilroberta

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [hackathon-pln-es/paraphrase-spanish-distilroberta](https://huggingface.co/hackathon-pln-es/paraphrase-spanish-distilroberta) 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:** [hackathon-pln-es/paraphrase-spanish-distilroberta](https://huggingface.co/hackathon-pln-es/paraphrase-spanish-distilroberta)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 128 tokens
- **Number of Classes:** 4 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                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                  |
|:------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 2.0   | <ul><li>'GESTIÓN DE LA PLANEACIÓN INSTITUCIONALACTIVIDADES TRANSVERSALES PARA EL PROCESO DE PLANEACIÓN INSTITUCIONALConfigurar aplicativo SAILFO'</li><li>'GESTIÓN DE LA PLANEACIÓN INSTITUCIONALACTIVIDADES TRANSVERSALES PARA EL PROCESO DE PLANEACIÓN INSTITUCIONALVerificar el almacenamiento de las cámaras en relación con la capacidad, la cantidad de almacenamiento disponible y verificar que esten grabado.'</li><li>'GESTIÓN DE LA PLANEACIÓN INSTITUCIONALACTIVIDADES TRANSVERSALES PARA EL PROCESO DE PLANEACIÓN INSTITUCIONALLlevar a cabo la atención telefonica'</li></ul>                                                                                                                                               |
| 1.0   | <ul><li>'GESTIÓN ADMINISTRATIVAADMINISTRATIVO - MANEJO DE CORRESPONDENCIAFirmar el recibido en la planilla incluyendo fecha y hora o recibir por sistema.'</li><li>'GESTIÓN DEL SERVICIO PERICIALSEGURIDAD Y SALUD EN EL TRABAJO - INVESTIGACIÓN Y SEGUIMIENTO DE LOS ACCIDENTES E INCIDENTES DE TRABAJOVerificar el cumplimiento de los planes de intervención y realizar el respectivo registro a las acciones ejecutadas para cada accidente de presunto origen laboral'</li><li>'GESTIÓN DEL SERVICIO PERICIALMETROLOGÍA - ACONDICIONAMIENTO DE LABORATORIO, LIMPIEZA Y DISPOSICIÓN DE DESECHOS EN LAS ÁREAS DEL GRUPO DE METROLOGÍAMonitorear las condiciones ambientales de los laboratorios'</li></ul>                             |
| 0.0   | <ul><li>'GESTIÓN DEL SERVICIO PERICIALACTIVIDADES TRANSVERSALES PARA EL PROCESO DE GESTIÓN DEL SERVICIO PERICIALRevisar el correo institucional de la dependencia y tramitar según el tema'</li><li>'GESTIÓN DEL SERVICIO PERICIALPATOLOGÍA - ABORDAJE DE CADÁVERES QUEMADOS, CARBONIZADOS Y CALCINADOSDeterminar y clasificar si el cadáver muestra cambios por quemaduras, carbonización o calcinación para así definir el abordaje de necropsia medicolegal en cadáver quemado, carbonizado o calcinado'</li><li>'GESTIÓN DEL SERVICIO PERICIALPATOLOGÍA - ATENCIÓN Y BÚSQUEDA DE UN DESAPARECIDO ENTRE CADÁVERES SOMETIDOS A NECROPSIA MEDICO LEGALIntegrar el informe de identificación al informe pericial de necropsia.'</li></ul> |
| 3.0   | <ul><li>'GESTIÓN DEL SISTEMA DE EVALUACIÓN Y CONTROLCONTROL - ASESORÍA CONTROL INTERNO\xa0Incluir las necesidades, solicitud de charla o asesoría elaboración de informes en el PUNA'</li><li>'GESTIÓN DEL SISTEMA DE EVALUACIÓN Y CONTROLCONTROL - ASESORÍA CONTROL INTERNO\xa0Consultar los documentos necesarios con el fin de preparar la temática, en caso de contar acompañante(s), definir las actividades y tareas con ellos.'</li><li>'GESTIÓN DEL SISTEMA DE EVALUACIÓN Y CONTROLCONTROL - ENTRENAMIENTO Y REENTRENAMIENTO EN TEMAS DE CONTROL INTERNO Y AUDITORÍASDesarrollar el objetivo y el contenido temático del modulo(s)'</li></ul>                                                                                     |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 0.96     |

## 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("rovargasc/setfit-model_actividadesMedicinaLegalV1")
# Run inference
preds = model("GESTIÓN DEL SERVICIO PERICIALANTROPOLOGÍA - ANÁLISIS ANTROPOLÓGICO FORENSERealizar la toma de muestras de la escrictura osea con la anuencia del Médico.")
```

<!--
### 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   | 6   | 26.1733 | 65  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0.0   | 69                    |
| 1.0   | 79                    |
| 2.0   | 75                    |
| 3.0   | 77                    |

### Training Hyperparameters
- batch_size: (64, 64)
- 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: False

### Training Results
| Epoch  | Step | Training Loss | Validation Loss |
|:------:|:----:|:-------------:|:---------------:|
| 0.0009 | 1    | 0.1977        | -               |
| 0.0474 | 50   | 0.0986        | -               |
| 0.0949 | 100  | 0.0514        | -               |
| 0.1423 | 150  | 0.0025        | -               |
| 0.1898 | 200  | 0.0012        | -               |
| 0.2372 | 250  | 0.0014        | -               |
| 0.2846 | 300  | 0.0003        | -               |
| 0.3321 | 350  | 0.0003        | -               |
| 0.3795 | 400  | 0.0002        | -               |
| 0.4269 | 450  | 0.0001        | -               |
| 0.4744 | 500  | 0.0002        | -               |
| 0.5218 | 550  | 0.0001        | -               |
| 0.5693 | 600  | 0.0002        | -               |
| 0.6167 | 650  | 0.0001        | -               |
| 0.6641 | 700  | 0.0001        | -               |
| 0.7116 | 750  | 0.0002        | -               |
| 0.7590 | 800  | 0.0001        | -               |
| 0.8065 | 850  | 0.0001        | -               |
| 0.8539 | 900  | 0.0001        | -               |
| 0.9013 | 950  | 0.0001        | -               |
| 0.9488 | 1000 | 0.0001        | -               |
| 0.9962 | 1050 | 0.0001        | -               |
| 1.0    | 1054 | -             | 0.0517          |

### Framework Versions
- Python: 3.10.13
- SetFit: 1.0.3
- Sentence Transformers: 3.0.1
- Transformers: 4.40.0
- PyTorch: 2.1.2
- Datasets: 2.20.0
- 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.*
-->