---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 가퍼 스포츠 낚시 벨트 어깨 하 해상 스탠드업 물고기 싸움 로드 홀더 스포츠/레저>낚시>낚시의류/잡화>힙커버/힙가드
- text: 낚시 태클박스 36리터 세트8 초경량 멀티 테이블 의자 받침대 루어 민물 바다 케리어 BSS158-3 스포츠/레저>낚시>낚시용품>태클박스
- text: 메이저 크래프트 자이언트 킬링 Major Craft GK5SJ-B663 스포츠/레저>낚시>루어낚시>루어낚시세트
- text: 갸프 낚싯대 용골 핸들 땀 흡수 스트랩 미끄럼 방지 절연 라켓 손잡이 커버 스포츠/레저>낚시>낚시용품>가프
- text: 송어베이스 루어 세트 스푼 미끼 스피너 보빈 인공 스포츠/레저>낚시>루어낚시>루어낚시세트
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: 1.0
      name: Accuracy
---

# SetFit with mini1013/master_domain

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_domain) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) with contrastive learning.
2. 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](https://huggingface.co/mini1013/master_domain)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 512 tokens
- **Number of Classes:** 8 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->

### Model Sources

- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)

### Model Labels
| Label | Examples                                                                                                                                                                                                                    |
|:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 7.0   | <ul><li>'다이와 DAIWA 한국다이와정공 소품케이스 클리어 파우치 S C 스포츠/레저>낚시>바다낚시>찌케이스'</li><li>'갓포스 고급 루어 낚시가방 루어대 원투대 하드 로드케이스 낚시대수납 단품 112CM-157CM 스포츠/레저>낚시>바다낚시>바다낚시가방'</li><li>'다이와 포터블 휴대용 로드케이스 B 140R 스포츠/레저>낚시>바다낚시>바다낚시가방'</li></ul>   |
| 3.0   | <ul><li>'이공조구 원 포인트 바다루어낚싯대 S180 스포츠/레저>낚시>낚싯대>바다루어낚싯대'</li><li>'엔에스 블랙 매직아이 슬로우피치 바다루어낚싯대 B-592H3MF 스포츠/레저>낚시>낚싯대>바다루어낚싯대'</li><li>'은성 실스타 DHC 명파S 민물낚싯대 30칸 스포츠/레저>낚시>낚싯대>민물낚싯대'</li></ul>                                |
| 1.0   | <ul><li>'메이호 태클박스 루어케이스 도구통 지그통 VS-388DD 스포츠/레저>낚시>낚시용품>태클박스'</li><li>'다이와 쿨라인 알파 3 펄 TS2000 스포츠/레저>낚시>낚시용품>쿨백'</li><li>'슬라이드 낚시 쪽가위 라인커터기 합사가위 T74464474 스포츠/레저>낚시>낚시공구>가위/라인커터/핀온릴'</li></ul>                             |
| 5.0   | <ul><li>'다미끼 맘바2 러버지그-배스 루어 민물루어 1 2oz 스포츠/레저>낚시>루어낚시>하드베이트'</li><li>'루어 낚시 가물치 배스 5pcs 개구리 세트 프로그 스포츠/레저>낚시>루어낚시>루어낚시세트'</li><li>'KFP 미노우 KS01 하드베이트 싱킹타입 루어 포퍼 웜 크랭크 프로팅 싱킹 배스 미끼 농어 베이트 스포츠/레저>낚시>루어낚시>하드베이트'</li></ul>  |
| 0.0   | <ul><li>'다이와 레브로스 스피닝릴 LT2500D-XH 스포츠/레저>낚시>낚시릴>스피닝릴'</li><li>'바낙스 LJ100x 장구통릴  티탄 스포츠/레저>낚시>낚시릴>베이트릴'</li><li>'시마노 FX 1000 스피닝릴 스포츠/레저>낚시>낚시릴>스피닝릴'</li></ul>                                                              |
| 4.0   | <ul><li>'가마라 쇼크리더 카본 목줄 50m 6호 GFLUORO506 스포츠/레저>낚시>낚싯줄>카본라인'</li><li>'선라인 토네이도 마츠다 스페셜 블랙 스트림 낚싯줄 70m 1.75호 스포츠/레저>낚시>낚싯줄>카본라인'</li><li>'선라인 슈터 FC 스나이퍼 100m 4.5LB 스포츠/레저>낚시>낚싯줄>카본라인'</li></ul>                           |
| 2.0   | <ul><li>'다이와 낚시화 부츠 운동화 스파이크 슈즈 DAIWA 일본직구 DS-2150CD 스포츠/레저>낚시>낚시의류/잡화>낚시신발'</li><li>'HDF 해동 피나투라 올컷 방한 덮개장갑 낚시장갑 스포츠/레저>낚시>낚시의류/잡화>낚시장갑'</li><li>'가마가츠 낚시 코듀라 힙가드 로우백 타입 단일사이즈 GM3727 스포츠/레저>낚시>낚시의류/잡화>힙커버/힙가드'</li></ul> |
| 6.0   | <ul><li>'루웍스 빙어 초릿대 23cm 스포츠/레저>낚시>민물낚시>얼음낚시'</li><li>'바다 민물 고기 낚시대 보관 수납 가방 하드케이스 스포츠/레저>낚시>민물낚시>민물낚시가방'</li><li>'고급 내림찌케이스 대형찌보관함 플로팅 보관박스 스포츠/레저>낚시>민물낚시>찌케이스'</li></ul>                                                 |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 1.0      |

## Uses

### Direct Use for Inference

First install the SetFit library:

```bash
pip install setfit
```

Then you can load this model and run inference.

```python
from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("mini1013/master_cate_sl4")
# Run inference
preds = model("송어베이스 루어 세트 스푼 미끼 스피너 보빈 인공 스포츠/레저>낚시>루어낚시>루어낚시세트")
```

<!--
### Downstream Use

*List how someone could finetune this model on their own dataset.*
-->

<!--
### Out-of-Scope Use

*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->

<!--
## Bias, Risks and Limitations

*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->

<!--
### Recommendations

*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->

## Training Details

### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count   | 2   | 7.8018 | 19  |

| 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                    |

### 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0091  | 1    | 0.4946        | -               |
| 0.4545  | 50   | 0.5017        | -               |
| 0.9091  | 100  | 0.2322        | -               |
| 1.3636  | 150  | 0.0559        | -               |
| 1.8182  | 200  | 0.0182        | -               |
| 2.2727  | 250  | 0.0165        | -               |
| 2.7273  | 300  | 0.0018        | -               |
| 3.1818  | 350  | 0.0001        | -               |
| 3.6364  | 400  | 0.0001        | -               |
| 4.0909  | 450  | 0.0001        | -               |
| 4.5455  | 500  | 0.0           | -               |
| 5.0     | 550  | 0.0           | -               |
| 5.4545  | 600  | 0.0           | -               |
| 5.9091  | 650  | 0.0           | -               |
| 6.3636  | 700  | 0.0           | -               |
| 6.8182  | 750  | 0.0           | -               |
| 7.2727  | 800  | 0.0           | -               |
| 7.7273  | 850  | 0.0           | -               |
| 8.1818  | 900  | 0.0           | -               |
| 8.6364  | 950  | 0.0           | -               |
| 9.0909  | 1000 | 0.0           | -               |
| 9.5455  | 1050 | 0.0           | -               |
| 10.0    | 1100 | 0.0           | -               |
| 10.4545 | 1150 | 0.0           | -               |
| 10.9091 | 1200 | 0.0           | -               |
| 11.3636 | 1250 | 0.0           | -               |
| 11.8182 | 1300 | 0.0           | -               |
| 12.2727 | 1350 | 0.0           | -               |
| 12.7273 | 1400 | 0.0           | -               |
| 13.1818 | 1450 | 0.0           | -               |
| 13.6364 | 1500 | 0.0           | -               |
| 14.0909 | 1550 | 0.0           | -               |
| 14.5455 | 1600 | 0.0           | -               |
| 15.0    | 1650 | 0.0           | -               |
| 15.4545 | 1700 | 0.0           | -               |
| 15.9091 | 1750 | 0.0           | -               |
| 16.3636 | 1800 | 0.0           | -               |
| 16.8182 | 1850 | 0.0           | -               |
| 17.2727 | 1900 | 0.0           | -               |
| 17.7273 | 1950 | 0.0           | -               |
| 18.1818 | 2000 | 0.0           | -               |
| 18.6364 | 2050 | 0.0           | -               |
| 19.0909 | 2100 | 0.0           | -               |
| 19.5455 | 2150 | 0.0           | -               |
| 20.0    | 2200 | 0.0           | -               |
| 20.4545 | 2250 | 0.0           | -               |
| 20.9091 | 2300 | 0.0           | -               |
| 21.3636 | 2350 | 0.0           | -               |
| 21.8182 | 2400 | 0.0           | -               |
| 22.2727 | 2450 | 0.0           | -               |
| 22.7273 | 2500 | 0.0           | -               |
| 23.1818 | 2550 | 0.0           | -               |
| 23.6364 | 2600 | 0.0           | -               |
| 24.0909 | 2650 | 0.0           | -               |
| 24.5455 | 2700 | 0.0           | -               |
| 25.0    | 2750 | 0.0           | -               |
| 25.4545 | 2800 | 0.0           | -               |
| 25.9091 | 2850 | 0.0           | -               |
| 26.3636 | 2900 | 0.0           | -               |
| 26.8182 | 2950 | 0.0           | -               |
| 27.2727 | 3000 | 0.0           | -               |
| 27.7273 | 3050 | 0.0           | -               |
| 28.1818 | 3100 | 0.0           | -               |
| 28.6364 | 3150 | 0.0           | -               |
| 29.0909 | 3200 | 0.0           | -               |
| 29.5455 | 3250 | 0.0           | -               |
| 30.0    | 3300 | 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
```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}
}
```

<!--
## Glossary

*Clearly define terms in order to be accessible across audiences.*
-->

<!--
## Model Card Authors

*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->

<!--
## Model Card Contact

*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->