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:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: mini1013/master_domain
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 10 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
9.0	'누베스 베이직 콤비블라인드 에블린쉐이드 50x50 가구/인테리어>커튼/블라인드>콤비블라인드' '창안애 내츄럴 콤비블라인드 커튼 거실 안방 30 x 30 가구/인테리어>커튼/블라인드>콤비블라인드' '누베스 베이직 콤비 블라인드 에블린쉐이드 145 X 240 가구/인테리어>커튼/블라인드>콤비블라인드'
6.0	'탈의실 간이피팅룸 이동 접이식 야외 도어 커튼 휴대용 I자커튼 사무실 학교 13컬러 가구/인테리어>커튼/블라인드>자바라' '자바라 도어 베란다 슬라이딩 칸막이 문 가구/인테리어>커튼/블라인드>자바라' '접이식 도어 주방 화장실 방수 미닫이 문 자바라 커튼 가구/인테리어>커튼/블라인드>자바라'
5.0	'창안애 허니콤블라인드 벌집쉐이드 90 x 150 2개 가구/인테리어>커튼/블라인드>블라인드' '홈안애 오동나무 베란다 원목 우드블라인드 40 x 40 가구/인테리어>커튼/블라인드>블라인드' '창안애 50mm 타공 알루미늄 블라인드 방염방수 30 x 30 가구/인테리어>커튼/블라인드>블라인드'
2.0	'창안애 시그니처 클로브 암막롤스크린 30x30 가구/인테리어>커튼/블라인드>롤스크린' '해비체 썬스크린 롤스크린 거실 베란다 창문 50x50 가구/인테리어>커튼/블라인드>롤스크린' '아라크네 1+1 암막 롤스크린 소형 90 x 210 2개 가구/인테리어>커튼/블라인드>롤스크린'
8.0	'기숙사 가림막 학생방 이층침대커튼 암막 프라이버시 가구/인테리어>커튼/블라인드>커튼/로만세트' '메종드모노 메이체크 먼지없는 가리개커튼 창문형긴창형 창문형 135x150 1장 가구/인테리어>커튼/블라인드>커튼/로만세트' '폭커튼 커튼링 가구/인테리어>커튼/블라인드>커튼>커튼링/봉'
3.0	'창문가리개 크기 가구/인테리어>커튼/블라인드>바란스' '실커튼 발 가림막 인테리어 줄커튼 가리개 가구/인테리어>커튼/블라인드>바란스' '쥬앤크홈 멜랑 체크 가리개커튼 7색상 맞춤 가림막커튼 패브릭 창문 베란다 현관 중문 선반 가구/인테리어>커튼/블라인드>바란스'
1.0	'부드러운 문짝 커튼 내마모성 파티션 호텔 가구/인테리어>커튼/블라인드>로만셰이드' '클래식 시즌 커튼 침실 장식 뜨개질 대만 풍수 가구/인테리어>커튼/블라인드>로만셰이드' '로만쉐이드 나비 미국 축구 선수 커튼 욕실 3D 로먼쉐이드 가구/인테리어>커튼/블라인드>로만셰이드'
4.0	'롤스크린버티컬 블라인드버티컬 고정클립 카페 커피숍 6개 PW826DA4 가구/인테리어>커튼/블라인드>버티컬' '암막 롤 스크린 러 바이저 휴대용 셔터 자동차 앞 유리 흡입 컵 주방 사무용품 7 - 가구/인테리어>커튼/블라인드>버티컬' '햇빛가리개 붙이는 롤업 블라인드 58x125 가구/인테리어>커튼/블라인드>버티컬'
0.0	'커튼핀 콤비손잡이 세련된 꽃 모양 창 커튼 1 개 백 리본 커튼장식 롤스크린부품 가구/인테리어>커튼/블라인드>커튼액세서리' '백장미 플라워 커튼 집게 1P 가구/인테리어>커튼/블라인드>커튼액세서리' '타이백 커튼 고정끈 커텐핀 커튼집게 커텐걸이 가구/인테리어>커튼/블라인드>커튼액세서리'
7.0	'Jon 가든 출입문 모기장 현관방충망 가구/인테리어>커튼/블라인드>캐노피' '이층침대모기장 낮은 천장형 모기장 2층 침대 커튼 슈퍼 싱글 베드 커텐형 천막 가구/인테리어>커튼/블라인드>캐노피' '사무실햇빛가리개 책상 모니터 비침 형광등 자유조정 사무실 침대 캐노피 가림막 다용도 커버 가구/인테리어>커튼/블라인드>캐노피'

Evaluation

Metrics

Label	Accuracy
all	1.0

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_fi15")
# Run inference
preds = model("집 음식점 현관 나무 비즈발 문발 입구 장식 가구/인테리어>커튼/블라인드>비즈발")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	9.1343	20

Label	Training Sample Count
0.0	70
1.0	70
2.0	70
3.0	70
4.0	70
5.0	70
6.0	70
7.0	70
8.0	70
9.0	70

Training Hyperparameters

batch_size: (256, 256)
num_epochs: (30, 30)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 50
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
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0073	1	0.4829	-
0.3650	50	0.4991	-
0.7299	100	0.4963	-
1.0949	150	0.3354	-
1.4599	200	0.0958	-
1.8248	250	0.0204	-
2.1898	300	0.0065	-
2.5547	350	0.0004	-
2.9197	400	0.0002	-
3.2847	450	0.0002	-
3.6496	500	0.0001	-
4.0146	550	0.0001	-
4.3796	600	0.0001	-
4.7445	650	0.0001	-
5.1095	700	0.0001	-
5.4745	750	0.0001	-
5.8394	800	0.0001	-
6.2044	850	0.0001	-
6.5693	900	0.0001	-
6.9343	950	0.0001	-
7.2993	1000	0.0	-
7.6642	1050	0.0	-
8.0292	1100	0.0	-
8.3942	1150	0.0	-
8.7591	1200	0.0	-
9.1241	1250	0.0	-
9.4891	1300	0.0	-
9.8540	1350	0.0	-
10.2190	1400	0.0	-
10.5839	1450	0.0	-
10.9489	1500	0.0	-
11.3139	1550	0.0	-
11.6788	1600	0.0	-
12.0438	1650	0.0	-
12.4088	1700	0.0	-
12.7737	1750	0.0	-
13.1387	1800	0.0	-
13.5036	1850	0.0	-
13.8686	1900	0.0	-
14.2336	1950	0.0	-
14.5985	2000	0.0	-
14.9635	2050	0.0	-
15.3285	2100	0.0	-
15.6934	2150	0.0	-
16.0584	2200	0.0	-
16.4234	2250	0.0	-
16.7883	2300	0.0	-
17.1533	2350	0.0	-
17.5182	2400	0.0	-
17.8832	2450	0.0	-
18.2482	2500	0.0	-
18.6131	2550	0.0	-
18.9781	2600	0.0	-
19.3431	2650	0.0	-
19.7080	2700	0.0	-
20.0730	2750	0.0	-
20.4380	2800	0.0	-
20.8029	2850	0.0	-
21.1679	2900	0.0	-
21.5328	2950	0.0	-
21.8978	3000	0.0	-
22.2628	3050	0.0	-
22.6277	3100	0.0	-
22.9927	3150	0.0	-
23.3577	3200	0.0	-
23.7226	3250	0.0	-
24.0876	3300	0.0	-
24.4526	3350	0.0	-
24.8175	3400	0.0	-
25.1825	3450	0.0	-
25.5474	3500	0.0	-
25.9124	3550	0.0	-
26.2774	3600	0.0	-
26.6423	3650	0.0	-
27.0073	3700	0.0	-
27.3723	3750	0.0	-
27.7372	3800	0.0	-
28.1022	3850	0.0	-
28.4672	3900	0.0	-
28.8321	3950	0.0	-
29.1971	4000	0.0	-
29.5620	4050	0.0	-
29.9270	4100	0.0	-

Framework Versions

Python: 3.10.12
SetFit: 1.1.0
Sentence Transformers: 3.3.1
Transformers: 4.44.2
PyTorch: 2.2.0a0+81ea7a4
Datasets: 3.2.0
Tokenizers: 0.19.1

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}
}

mini1013
/

master_cate_fi15