metadata

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 고급형 검도 손목보호대 검도보호대 일본산 스포츠/레저>검도>검도보호용품
  - text: 검좌대 검도 목검 거치대 사무라이검 받침대 플루트 진열대 검 스탠드 죽도 선반 스포츠/레저>검도>기타검도용품
  - text: 검도단 탁상 사무실용 대나무 디스플레이 Tier 478490 1 스포츠/레저>검도>검도보호용품
  - text: 스탠드 검도 타격대 타이어 죽도 훈련 연습 수련 도장 스포츠/레저>검도>타격대
  - text: 검거치대 좌대 거치대 진열대 검받침대 사극 무술 랙 소품 목도 스포츠/레저>검도>기타검도용품
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:

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: 6 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
0.0	'검도 장갑 호완 보호대 호구 손 보호 장비 검도용품 스포츠/레저>검도>검도보호용품' '검도호구 장비 보호대 호면 세트 갑옷 방어구 호완 머리 부품 입문용 손목 갑상 턱 초보자용 스포츠/레저>검도>검도보호용품' '나인 더 가든 구사쿠라 체리 완제품 여아용 클로즈 토 가죽 미디엄 건축 t3l 스포츠/레저>검도>검도보호용품'
1.0	'호구가방 검도 캐리어 방어구 장비 대용량 배낭 백팩 스포츠/레저>검도>기타검도용품' '목검 거치대 받침대 검도 검 진열대 죽도 보관함 홀더 스포츠/레저>검도>기타검도용품' '검좌대 원목 랙 도검좌대 사극 무술 검도 목도 소품 장식용 스탠드 목검 선반 스포츠/레저>검도>기타검도용품'
2.0	'검도 백색 검도복 검도 도복 스포츠/레저 > 검도 > 도복' '검도 도복 프리미엄 검도복 선 (SUN) 스포츠/레저 > 검도 > 도복' '뉴페이스 도복 상하세트 C4B-2 스포츠/레저>검도>도복'
3.0	'성심 고도형 죽도 39호 스포츠/레저>검도>죽도' '단심 시합용 죽도 39호 스포츠/레저>검도>죽도' '충신 시합용 죽도 39호 스포츠/레저>검도>죽도'
4.0	'봉집 무술용품 목검가방 죽도가방 스포츠/레저 > 검도 > 죽도집/부속품' '검가방/천검집(가검용) G-12D 스포츠/레저 > 검도 > 죽도집/부속품' '검도 죽도 가방 목검 주머니 패브릭 목검집 스트랩 휴대용 스포츠/레저 > 검도 > 죽도집/부속품'
5.0	'목인장 원목 샌드백 영춘권 무술 복싱 목각 타격대 1 7m-옵션사진참조 스포츠/레저>검도>타격대' '검도 연습 타격대 스탠드 죽도 훈련 수련 샌드백 더미 연습용 수련대 펜싱 타겟 기술 스포츠/레저>검도>타격대' '검도 타격대 샌드백 찌르기 연습용 죽도 수련대 무술 스포츠/레저>검도>타격대'

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_sl0")
# Run inference
preds = model("고급형 검도 손목보호대 검도보호대 일본산 스포츠/레저>검도>검도보호용품")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	9.5927	19

Label	Training Sample Count
0.0	70
1.0	70
2.0	12
3.0	15
4.0	11
5.0	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
0.0204	1	0.4824	-
1.0204	50	0.4133	-
2.0408	100	0.0315	-
3.0612	150	0.0021	-
4.0816	200	0.0001	-
5.1020	250	0.0	-
6.1224	300	0.0	-
7.1429	350	0.0	-
8.1633	400	0.0	-
9.1837	450	0.0	-
10.2041	500	0.0	-
11.2245	550	0.0	-
12.2449	600	0.0	-
13.2653	650	0.0	-
14.2857	700	0.0	-
15.3061	750	0.0	-
16.3265	800	0.0	-
17.3469	850	0.0	-
18.3673	900	0.0	-
19.3878	950	0.0	-
20.4082	1000	0.0	-
21.4286	1050	0.0	-
22.4490	1100	0.0	-
23.4694	1150	0.0	-
24.4898	1200	0.0	-
25.5102	1250	0.0	-
26.5306	1300	0.0	-
27.5510	1350	0.0	-
28.5714	1400	0.0	-
29.5918	1450	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}
}