Hugging Face's logo

saraestevez
/
setfit-minilm-bank-tweets-processed-400

Text Classification
setfit
Safetensors
sentence-transformers
bert
generated_from_setfit_trainer
Eval Results
Model card Files Community
setfit-minilm-bank-tweets-processed-400 / README.md
saraestevez's picture
saraestevez
Add SetFit model
3c8e12a verified
preview code
|
raw
history blame contribute delete
No virus
10.7 kB
metadata
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      La app de BBVA está caída, pero se pide paciencia para los depósitos de
      mañana.
  - text: >-
      Tengo un problema con un cajero automático que no me dio el dinero pero sí
      lo cargó.
  - text: >-
      El chip de mi tarjeta de Banorte no funciona, hice una transferencia a mi
      tarjeta de BBVA y el cajero se quedó con ella, ¿cómo va su sábado?
  - text: >-
      Evo Banco reporta un asombroso incremento del 700% en sus depósitos en un
      año y ahora ofrece la posibilidad de contratar servicios a través de
      WhatsApp.
  - text: >-
      Los nuevos jubilados que acrediten su pensión en BBVA recibirán un regalo
      de bienvenida de $130.000.
inference: true
model-index:
  - name: SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.8028571428571428
            name: Accuracy

SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 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
discard
  • 'Marcos informa que se puede realizar el pago de productos de BBVA a través de la Línea BBVA, cajeros automáticos, practicajas, ventanilla de sucursal o diversos comercios.'
  • 'Se ha celebrado una reunión de alto nivel en 2024 para concretar proyectos de inversión, incluyendo la cooperación con BBVA para la construcción de un portadrones y en el ámbito turístico.'
  • 'Diversificar es clave para alcanzar nuestros objetivos en inversiones y en la vida, descubre cómo tus decisiones financieras pueden impactar tu vida personal en este artículo.'
relevant
  • 'La persona recibió un correo idéntico al que le explicaron que es una técnica de estafa que simula enviarlo desde su propia cuenta.'
  • 'La cancelación de la cuenta se ha demorado un mes y al solicitar 200 euros para un viaje, me han cobrado 9 euros de comisión.'
  • 'El Santander logró récords en beneficios y comisiones a los desfavorecidos bajo el ministerio del consagrado en Consumo, mientras se obsesionan con la apariencia y carecen de dignidad y principios.'

Evaluation

Metrics

Label Accuracy
all 0.8029

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("saraestevez/setfit-minilm-bank-tweets-processed-400")
# Run inference
preds = model("La app de BBVA está caída, pero se pide paciencia para los depósitos de mañana.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 1 21.6612 44
Label Training Sample Count
discard 400
relevant 400

Training Hyperparameters

  • batch_size: (16, 16)
  • num_epochs: (1, 1)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 20
  • 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
0.0005 1 0.3197 -
0.025 50 0.2199 -
0.05 100 0.2876 -
0.075 150 0.2568 -
0.1 200 0.196 -
0.125 250 0.15 -
0.15 300 0.1475 -
0.175 350 0.081 -
0.2 400 0.0441 -
0.225 450 0.0228 -
0.25 500 0.0017 -
0.275 550 0.0083 -
0.3 600 0.002 -
0.325 650 0.0013 -
0.35 700 0.0011 -
0.375 750 0.0014 -
0.4 800 0.0004 -
0.425 850 0.0001 -
0.45 900 0.0118 -
0.475 950 0.0002 -
0.5 1000 0.0012 -
0.525 1050 0.0003 -
0.55 1100 0.0001 -
0.575 1150 0.0003 -
0.6 1200 0.0001 -
0.625 1250 0.0001 -
0.65 1300 0.0001 -
0.675 1350 0.0002 -
0.7 1400 0.0197 -
0.725 1450 0.0002 -
0.75 1500 0.0002 -
0.775 1550 0.0001 -
0.8 1600 0.0004 -
0.825 1650 0.0001 -
0.85 1700 0.0001 -
0.875 1750 0.0001 -
0.9 1800 0.0001 -
0.925 1850 0.0001 -
0.95 1900 0.0158 -
0.975 1950 0.0001 -
1.0 2000 0.0001 -

Framework Versions

  • Python: 3.11.0rc1
  • SetFit: 1.0.3
  • Sentence Transformers: 2.7.0
  • Transformers: 4.39.0
  • PyTorch: 2.3.1+cu121
  • Datasets: 2.19.1
  • Tokenizers: 0.15.2

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}
}