Hugging Face's logo

mini1013
/
master_cate_el18

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_el18 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
fe2afcf verified
preview code
|
raw
history blame contribute delete
11.5 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: Pulsar X2V2 미니 무선 게이밍 마우스 (블랙)  와이에스비투비
  - text: TOSHIBA B-EX4T2 바코드프린터 산업용프린터 라벨프린터 203DPI_USB ㈜비티에스홀딩스
  - text: '[당일출고]삼성전자 SL-J1680 컬러잉크젯 복합기 인쇄+복사+스캔 [정품잉크포함]  제일프린텍'
  - text: 지클릭커 슈퍼히어로 SPK100 저소음 유선 무선 블루투스 레인보우 백라이트 기계식 게임용 키보드 (레트로 레드)  (주)피씨베이스
  - text: NIIMBOT 님봇 D110 라벨기 휴대용 라벨프린터 라벨1롤포함  빅마운트앤컴퍼니
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: 0.8548111301103685
            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
7
  • '와콤 CTL-472 웹툰 입문용 타블렛 펜 온라인강의 주식회사 지디스엠알오'
  • '와콤 타블렛 CTL-4100 와콤인튜어스 웹툰 (주)코티니'
  • '와콤 신티크16 DTK-1660 케이에이씨앤씨'
1
  • '브라더공식판매대리점 DCP-T426W 무한잉크복합기 인쇄 복사 스캔 무선 AS연장 (주)대명아이티'
  • '교세라 ECOSYS M5521cdn 컬러레이저복합기 정품토너포함 한라테크'
  • 'DCP-T720DW 브라더정품 무한잉크복합기 인쇄 복사 스캔 자동양면인쇄 (주)진전산시스템'
4
  • '로지텍 코리아 미니멀 무선 일루미네이티드 키보드 MX KEYS MINI 블랙(그라파이트) 주식회사 자강정보통신'
  • '앱코 K660 축교환 완전방수 게이밍 카일광축 레인보우LED 블랙,리니어 에스티에스컴퍼니'
  • 'ABKO HACKER K523 기계식 축교환 LED 키패드 주식회사 브라보세컨즈'
2
  • '브라더 TN-2380 정품토너 2.6K HL L2365DW HL L2360dn MFC L2700D MFC L2700DW 주식회사 휴먼아이티'
  • '삼성전자정품 폐토너통 CLT-W406/ C510W/ C513W/ C563W/ C563FW 엘케이솔루션'
  • '(HP) No.680 정품 F6V27AA 검정 정품잉크 검정 총1개만구매(2개이상주문시발송안됨) 밀알시스템'
6
  • '와콤원 펜 CP91300B2Z 삼성갤럭시탭,갤럭시노트,오닉스 호환 펜 '
  • '드로잉장갑 와콤 신티크 XP-PEN 휴이온 액정타블렛 아이패드 태블릿 터치오류방지 '
  • '드로잉장갑 와콤 신티크 XP-PEN 휴이온 액정타블렛 아이패드 태블릿 터치오류방지 '
8
  • '◆◆ 정품 샘플테이프 + ◆◆ 브라더 正品 이름 라벨스티커기계 PT-P900W QR코드 wifi ◀正品▶ PT-P900W 탑정보기술'
  • '가제트 3D펜 GP3000+5M PLA 필라멘트 세트(24색) (주)위드피플즈'
  • '인스탁스 와이드 링크 포토프린터 모카 그레이(+아크릴액자) 한국후지필름 (주)'
3
  • '엡손 DS-30000, 양면 스캐너 A3 주식회사 케이에스샵'
  • '엡손 WorkForce DS-50000 (주)테드이십일'
  • '엡손스캐너 ES-580WMLP 미니멀 라이프 패키지(ES-580W+재단기+롤러)북스캐너 (주)에이엔에이코리아'
5
  • '로지텍 MK295 SILENT WIRELESS COMBO (화이트) (주)아토닉스'
  • '로지텍 MK275 영문자판 병행수입 제이제이 인터내셔널'
  • '로지텍코리아 시그니처 MK650 무선 합본 (그래파이트) 주식회사 지엠샤이'
0
  • 'ROCCAT KONE PRO AIR (블랙) (주)디아씨앤씨'
  • '[Logitech]로지텍 Trackman Marble USB 마우스 트랙맨 트랙볼 마블 마우스 벌크 /택배/병행/ 당일출고 Trackman Marble USB 허브포스트'
  • '로지텍 G402 Hyperion Fury (주)케이엘시스템'

Evaluation

Metrics

Label Metric
all 0.8548

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_el18")
# Run inference
preds = model("Pulsar X2V2 미니 무선 게이밍 마우스 (블랙)  와이에스비투비")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 4 10.5569 27
Label Training Sample Count
0 50
1 50
2 50
3 50
4 50
5 50
6 13
7 50
8 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
0.0154 1 0.4961 -
0.7692 50 0.1923 -
1.5385 100 0.0615 -
2.3077 150 0.0532 -
3.0769 200 0.0513 -
3.8462 250 0.0283 -
4.6154 300 0.0313 -
5.3846 350 0.0258 -
6.1538 400 0.0174 -
6.9231 450 0.0053 -
7.6923 500 0.0021 -
8.4615 550 0.0039 -
9.2308 600 0.0059 -
10.0 650 0.0001 -
10.7692 700 0.0001 -
11.5385 750 0.0001 -
12.3077 800 0.0001 -
13.0769 850 0.0001 -
13.8462 900 0.0 -
14.6154 950 0.0001 -
15.3846 1000 0.0 -
16.1538 1050 0.0 -
16.9231 1100 0.0 -
17.6923 1150 0.0 -
18.4615 1200 0.0 -
19.2308 1250 0.0 -
20.0 1300 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}
}