Hugging Face's logo

mini1013
/
master_cate_fi15

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fi15 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
bfc4285 verified
preview code
|
raw
history blame contribute delete
15.5 kB
metadata
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 2pcs 커튼 간단한 컬러 자카드 반투명 화면 침실 거실 장식 가구/인테리어>커튼/블라인드>실커튼
  - text: 거실 커튼고정끈 침실 커텐정리줄 묶는끈 자석정리끈 가구/인테리어>커튼/블라인드>커튼액세서리
  - text: 이케아 RACKA 레카 커튼봉 부자재 봉 부품 가구/인테리어>커튼/블라인드>커튼>커튼링/봉
  - text: 버티컬 블라인드 커텐 암막 폭 버티컬 블라인드 클립 6개 DIY철물 가구/인테리어>커튼/블라인드>버티컬
  - text: 집 음식점 현관 나무 비즈발 문발 입구 장식 가구/인테리어>커튼/블라인드>비즈발
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: mini1013/master_domain
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: accuracy
            value: 1
            name: Accuracy

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
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}
}