Hugging Face's logo

firqaaa
/
indo-setfit-bert-base-p2

Text Classification
setfit
Safetensors
sentence-transformers
bert
generated_from_setfit_trainer
Eval Results
Model card Files Community
Edit model card

SetFit with firqaaa/indo-sentence-bert-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses firqaaa/indo-sentence-bert-base 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
negatif
  • 'orang aneh berkaki delapan tidak akan bergabung dengan jajaran film monster\/fiksi ilmiah hebat yang kita sukai ...'
  • "Terlepas dari latar Hawaii, hiasan fiksi ilmiah, dan beberapa momen slapstick yang gaduh, plot dasar `` lilo '' bisa saja diambil dari naskah kuno Shirley Temple yang berlumuran air mata."
  • 'ini adalah film yang sangat tidak aman dalam kemampuannya untuk menggairahkan sehingga menghasilkan bukan hanya satu tapi dua badai petir palsu untuk menggarisbawahi aksinya.'
positif
  • 'plot dari comeback curlers sebenarnya tidak terlalu menarik, tapi yang aku suka dari pria dengan sapu dan yang spesial adalah bagaimana filmnya mengetahui apa yang unik dan nyentrik dari orang Kanada.'
  • 'sebuah studi psikologis yang dingin, merenung, namun bergema secara diam-diam mengenai ketegangan dan ketidakbahagiaan dalam rumah tangga.'
  • 'seperti yang biasa mereka katakan di film-film fiksi ilmiah tahun 1950-an, tanda-tanda adalah penghormatan terhadap hadiah Shyamalan, yang sedemikian rupa sehingga kita akan terus mengawasi langit untuk proyek berikutnya.'
sangat negatif
  • "benar-benar transparan adalah serangan tanpa henti dari naskah tersebut berupa lelucon-lelucon seks memalukan yang berbau penulisan ulang naskah yang dirancang untuk membuat film tersebut mendapat peringkat `` lebih keren '' pg-13."
  • 'bagaikan latihan improvisasi yang buruk, karakter-karakter yang ditulis secara dangkal mengoceh dengan membosankan tentang kehidupan, cinta, dan seni yang sedang mereka perjuangkan untuk ciptakan.'
  • 'dari semua Halloween, ini yang paling tidak menarik secara visual.'
netral
  • 'film ini tidak menghormati hukum, kebenaran politik, atau kesopanan umum, namun menampilkan sesuatu yang lebih penting: rasa hormat terhadap orang-orang yang cacat dan gila.'
  • 'tertahan oleh kekhidmatannya sendiri.'
  • 'lebih banyak pertunjukan vaudeville daripada narasi yang dibangun dengan baik, namun dalam hal ini tidak menyinggung dan sebenarnya agak manis.'
sangat positif
  • 'hawn dan sarandon membentuk ikatan akting yang menjadikan banger bersaudara studi karakter yang menarik sambil tertawa.'
  • 'isabelle huppert unggul sebagai mika yang penuh teka-teki dan anna mouglais adalah bakat muda baru yang menakjubkan dalam salah satu misteri psikologis chabrol yang paling intens.'
  • 'williams menciptakan gambaran menakjubkan seperti sopir taksi tentang seorang pria yang tertatih-tatih di ambang kewarasan.'

Evaluation

Metrics

Label Accuracy
all 0.4249

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("firqaaa/indo-setfit-bert-base-p2")
# Run inference
preds = model("itu curang.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 1 15.7676 46
Label Training Sample Count
sangat negatif 500
negatif 500
netral 500
positif 500
sangat positif 500

Training Hyperparameters

  • batch_size: (128, 128)
  • num_epochs: (1, 1)
  • max_steps: -1
  • sampling_strategy: oversampling
  • 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
  • seed: 42
  • eval_max_steps: -1
  • load_best_model_at_end: True

Training Results

Epoch Step Training Loss Validation Loss
0.0000 1 0.3367 -
0.0013 50 0.3139 -
0.0026 100 0.3005 -
0.0038 150 0.2627 -
0.0051 200 0.2701 -
0.0064 250 0.2647 -
0.0077 300 0.2646 -
0.0090 350 0.2494 -
0.0102 400 0.2356 -
0.0115 450 0.2093 -
0.0128 500 0.2187 -
0.0141 550 0.2131 -
0.0154 600 0.2288 -
0.0166 650 0.1996 -
0.0179 700 0.1825 -
0.0192 750 0.1887 -
0.0205 800 0.1809 -
0.0218 850 0.1756 -
0.0230 900 0.155 -
0.0243 950 0.1462 -
0.0256 1000 0.1455 -
0.0269 1050 0.1547 -
0.0282 1100 0.0863 -
0.0294 1150 0.1362 -
0.0307 1200 0.1096 -
0.0320 1250 0.0898 -
0.0333 1300 0.1202 -
0.0346 1350 0.0916 -
0.0358 1400 0.0918 -
0.0371 1450 0.1022 -
0.0384 1500 0.0518 -
0.0397 1550 0.0587 -
0.0410 1600 0.0526 -
0.0422 1650 0.0461 -
0.0435 1700 0.0617 -
0.0448 1750 0.0426 -
0.0461 1800 0.0347 -
0.0474 1850 0.0255 -
0.0486 1900 0.0349 -
0.0499 1950 0.0121 -
0.0512 2000 0.0164 -
0.0525 2050 0.0077 -
0.0538 2100 0.0084 -
0.0550 2150 0.006 -
0.0563 2200 0.0143 -
0.0576 2250 0.0123 -
0.0589 2300 0.0154 -
0.0602 2350 0.0108 -
0.0614 2400 0.0041 -
0.0627 2450 0.0048 -
0.0640 2500 0.0103 -
0.0653 2550 0.0099 -
0.0666 2600 0.026 -
0.0678 2650 0.0095 -
0.0691 2700 0.0091 -
0.0704 2750 0.0041 -
0.0717 2800 0.005 -
0.0730 2850 0.0024 -
0.0742 2900 0.0013 -
0.0755 2950 0.0067 -
0.0768 3000 0.0009 -
0.0781 3050 0.0042 -
0.0794 3100 0.0039 -
0.0806 3150 0.0023 -
0.0819 3200 0.0032 -
0.0832 3250 0.0071 -
0.0845 3300 0.013 -
0.0858 3350 0.015 -
0.0870 3400 0.0013 -
0.0883 3450 0.0012 -
0.0896 3500 0.0017 -
0.0909 3550 0.002 -
0.0922 3600 0.0247 -
0.0934 3650 0.0044 -
0.0947 3700 0.0004 -
0.0960 3750 0.0031 -
0.0973 3800 0.0235 -
0.0986 3850 0.0017 -
0.0998 3900 0.001 -
0.1011 3950 0.0065 -
0.1024 4000 0.0043 -
0.1037 4050 0.0051 -
0.1050 4100 0.0009 -
0.1062 4150 0.0006 -
0.1075 4200 0.0081 -
0.1088 4250 0.0005 -
0.1101 4300 0.0155 -
0.1114 4350 0.0091 -
0.1126 4400 0.0187 -
0.1139 4450 0.0011 -
0.1152 4500 0.0037 -
0.1165 4550 0.0033 -
0.1178 4600 0.0006 -
0.1190 4650 0.0024 -
0.1203 4700 0.0008 -
0.1216 4750 0.0007 -
0.1229 4800 0.0012 -
0.1242 4850 0.0113 -
0.1254 4900 0.0004 -
0.1267 4950 0.0059 -
0.1280 5000 0.0004 -
0.1293 5050 0.001 -
0.1306 5100 0.0001 -
0.1318 5150 0.002 -
0.1331 5200 0.0006 -
0.1344 5250 0.0007 -
0.1357 5300 0.0026 -
0.1370 5350 0.0079 -
0.1382 5400 0.001 -
0.1395 5450 0.0065 -
0.1408 5500 0.0009 -
0.1421 5550 0.0008 -
0.1434 5600 0.0003 -
0.1446 5650 0.0002 -
0.1459 5700 0.0001 -
0.1472 5750 0.0027 -
0.1485 5800 0.0002 -
0.1498 5850 0.0002 -
0.1510 5900 0.0003 -
0.1523 5950 0.0001 -
0.1536 6000 0.0061 -
0.1549 6050 0.0066 -
0.1562 6100 0.0015 -
0.1574 6150 0.016 -
0.1587 6200 0.0009 -
0.1600 6250 0.0062 -
0.1613 6300 0.0002 -
0.1626 6350 0.0002 -
0.1638 6400 0.0002 -
0.1651 6450 0.0153 -
0.1664 6500 0.0031 -
0.1677 6550 0.0003 -
0.1690 6600 0.0009 -
0.1702 6650 0.0043 -
0.1715 6700 0.0007 -
0.1728 6750 0.0002 -
0.1741 6800 0.0001 -
0.1754 6850 0.0003 -
0.1766 6900 0.0013 -
0.1779 6950 0.0003 -
0.1792 7000 0.0002 -
0.1805 7050 0.0001 -
0.1818 7100 0.0001 -
0.1830 7150 0.0001 -
0.1843 7200 0.0001 -
0.1856 7250 0.0003 -
0.1869 7300 0.0001 -
0.1882 7350 0.0002 -
0.1894 7400 0.0012 -
0.1907 7450 0.0001 -
0.1920 7500 0.0002 -
0.1933 7550 0.0002 -
0.1946 7600 0.0003 -
0.1958 7650 0.0014 -
0.1971 7700 0.0093 -
0.1984 7750 0.0001 -
0.1997 7800 0.0005 -
0.2010 7850 0.0001 -
0.2022 7900 0.0001 -
0.2035 7950 0.0058 -
0.2048 8000 0.0002 -
0.2061 8050 0.0001 -
0.2074 8100 0.0002 -
0.2086 8150 0.0003 -
0.2099 8200 0.0003 -
0.2112 8250 0.0068 -
0.2125 8300 0.0004 -
0.2138 8350 0.0002 -
0.2150 8400 0.0001 -
0.2163 8450 0.0002 -
0.2176 8500 0.0001 -
0.2189 8550 0.0002 -
0.2202 8600 0.0001 -
0.2214 8650 0.0001 -
0.2227 8700 0.0001 -
0.2240 8750 0.0001 -
0.2253 8800 0.0001 -
0.2266 8850 0.0006 -
0.2278 8900 0.0 -
0.2291 8950 0.0 -
0.2304 9000 0.0001 -
0.2317 9050 0.0 -
0.2330 9100 0.0001 -
0.2342 9150 0.0 -
0.2355 9200 0.0001 -
0.2368 9250 0.0 -
0.2381 9300 0.0001 -
0.2394 9350 0.0001 -
0.2406 9400 0.0 -
0.2419 9450 0.0 -
0.2432 9500 0.0001 -
0.2445 9550 0.0 -
0.2458 9600 0.0001 -
0.2470 9650 0.0001 -
0.2483 9700 0.003 -
0.2496 9750 0.0077 -
0.2509 9800 0.0099 -
0.2522 9850 0.0223 -
0.2534 9900 0.0002 -
0.2547 9950 0.0001 -
0.2560 10000 0.003 -
0.2573 10050 0.0118 -
0.2586 10100 0.0002 -
0.2598 10150 0.0022 -
0.2611 10200 0.0001 -
0.2624 10250 0.0077 -
0.2637 10300 0.0003 -
0.2650 10350 0.0 -
0.2662 10400 0.0074 -
0.2675 10450 0.0072 -
0.2688 10500 0.0001 -
0.2701 10550 0.008 -
0.2714 10600 0.0001 -
0.2726 10650 0.0001 -
0.2739 10700 0.0 -
0.2752 10750 0.0001 -
0.2765 10800 0.0074 -
0.2778 10850 0.0001 -
0.2790 10900 0.0001 -
0.2803 10950 0.0003 -
0.2816 11000 0.0004 -
0.2829 11050 0.0078 -
0.2842 11100 0.0 -
0.2854 11150 0.0001 -
0.2867 11200 0.0001 -
0.2880 11250 0.0001 -
0.2893 11300 0.0 -
0.2906 11350 0.0001 -
0.2918 11400 0.0001 -
0.2931 11450 0.0004 -
0.2944 11500 0.0002 -
0.2957 11550 0.0 -
0.2970 11600 0.0 -
0.2982 11650 0.0078 -
0.2995 11700 0.0 -
0.3008 11750 0.0005 -
0.3021 11800 0.0001 -
0.3034 11850 0.0 -
0.3046 11900 0.0 -
0.3059 11950 0.0 -
0.3072 12000 0.0006 -
0.3085 12050 0.0078 -
0.3098 12100 0.0001 -
0.3110 12150 0.0 -
0.3123 12200 0.0 -
0.3136 12250 0.0 -
0.3149 12300 0.0 -
0.3162 12350 0.0 -
0.3174 12400 0.0 -
0.3187 12450 0.0 -
0.3200 12500 0.0 -
0.3213 12550 0.0002 -
0.3226 12600 0.0 -
0.3238 12650 0.0003 -
0.3251 12700 0.0001 -
0.3264 12750 0.0001 -
0.3277 12800 0.0 -
0.3290 12850 0.0001 -
0.3302 12900 0.0001 -
0.3315 12950 0.0001 -
0.3328 13000 0.0 -
0.3341 13050 0.0 -
0.3354 13100 0.0 -
0.3366 13150 0.0 -
0.3379 13200 0.0 -
0.3392 13250 0.0 -
0.3405 13300 0.0 -
0.3418 13350 0.0 -
0.3430 13400 0.0 -
0.3443 13450 0.0 -
0.3456 13500 0.0 -
0.3469 13550 0.0005 -
0.3482 13600 0.0 -
0.3494 13650 0.0 -
0.3507 13700 0.0 -
0.3520 13750 0.0 -
0.3533 13800 0.0011 -
0.3546 13850 0.0001 -
0.3558 13900 0.0079 -
0.3571 13950 0.0001 -
0.3584 14000 0.0 -
0.3597 14050 0.0 -
0.3610 14100 0.0 -
0.3622 14150 0.0 -
0.3635 14200 0.0074 -
0.3648 14250 0.0 -
0.3661 14300 0.0 -
0.3674 14350 0.0001 -
0.3686 14400 0.0 -
0.3699 14450 0.0001 -
0.3712 14500 0.0 -
0.3725 14550 0.0 -
0.3738 14600 0.0 -
0.3750 14650 0.0002 -
0.3763 14700 0.0001 -
0.3776 14750 0.0 -
0.3789 14800 0.0001 -
0.3802 14850 0.0 -
0.3814 14900 0.0001 -
0.3827 14950 0.0 -
0.3840 15000 0.0 -
0.3853 15050 0.0 -
0.3866 15100 0.0 -
0.3878 15150 0.0 -
0.3891 15200 0.0 -
0.3904 15250 0.0 -
0.3917 15300 0.0001 -
0.3930 15350 0.0 -
0.3942 15400 0.0 -
0.3955 15450 0.0 -
0.3968 15500 0.0 -
0.3981 15550 0.0 -
0.3994 15600 0.0 -
0.4006 15650 0.0 -
0.4019 15700 0.0 -
0.4032 15750 0.0001 -
0.4045 15800 0.0 -
0.4058 15850 0.0 -
0.4070 15900 0.0 -
0.4083 15950 0.0 -
0.4096 16000 0.0 -
0.4109 16050 0.0 -
0.4122 16100 0.0 -
0.4134 16150 0.0 -
0.4147 16200 0.0 -
0.4160 16250 0.0003 -
0.4173 16300 0.0 -
0.4186 16350 0.0 -
0.4198 16400 0.0 -
0.4211 16450 0.0 -
0.4224 16500 0.0 -
0.4237 16550 0.0 -
0.4250 16600 0.0 -
0.4262 16650 0.0 -
0.4275 16700 0.0 -
0.4288 16750 0.0 -
0.4301 16800 0.0 -
0.4314 16850 0.0 -
0.4326 16900 0.0 -
0.4339 16950 0.0 -
0.4352 17000 0.0 -
0.4365 17050 0.0 -
0.4378 17100 0.0 -
0.4390 17150 0.0 -
0.4403 17200 0.0 -
0.4416 17250 0.0 -
0.4429 17300 0.0 -
0.4442 17350 0.0 -
0.4454 17400 0.0 -
0.4467 17450 0.0 -
0.4480 17500 0.0016 -
0.4493 17550 0.0 -
0.4506 17600 0.0 -
0.4518 17650 0.0 -
0.4531 17700 0.0 -
0.4544 17750 0.0 -
0.4557 17800 0.0 -
0.4570 17850 0.0 -
0.4582 17900 0.0 -
0.4595 17950 0.0068 -
0.4608 18000 0.0001 -
0.4621 18050 0.0001 -
0.4634 18100 0.0001 -
0.4646 18150 0.0001 -
0.4659 18200 0.0001 -
0.4672 18250 0.0 -
0.4685 18300 0.0 -
0.4698 18350 0.0001 -
0.4710 18400 0.0 -
0.4723 18450 0.0 -
0.4736 18500 0.0 -
0.4749 18550 0.0 -
0.4762 18600 0.0 -
0.4774 18650 0.0 -
0.4787 18700 0.0 -
0.4800 18750 0.0 -
0.4813 18800 0.0 -
0.4826 18850 0.0 -
0.4838 18900 0.0 -
0.4851 18950 0.0 -
0.4864 19000 0.0 -
0.4877 19050 0.0 -
0.4890 19100 0.0 -
0.4902 19150 0.0 -
0.4915 19200 0.0 -
0.4928 19250 0.0 -
0.4941 19300 0.0 -
0.4954 19350 0.0 -
0.4966 19400 0.0 -
0.4979 19450 0.0 -
0.4992 19500 0.0 -
0.5005 19550 0.0 -
0.5018 19600 0.0 -
0.5030 19650 0.0 -
0.5043 19700 0.0 -
0.5056 19750 0.0 -
0.5069 19800 0.0 -
0.5082 19850 0.0 -
0.5094 19900 0.0 -
0.5107 19950 0.0 -
0.5120 20000 0.0 -
0.5133 20050 0.0 -
0.5146 20100 0.0 -
0.5158 20150 0.0 -
0.5171 20200 0.0 -
0.5184 20250 0.0 -
0.5197 20300 0.0 -
0.5210 20350 0.0 -
0.5222 20400 0.0 -
0.5235 20450 0.0 -
0.5248 20500 0.0 -
0.5261 20550 0.0 -
0.5274 20600 0.0 -
0.5286 20650 0.0 -
0.5299 20700 0.0 -
0.5312 20750 0.0 -
0.5325 20800 0.0 -
0.5338 20850 0.0 -
0.5350 20900 0.0 -
0.5363 20950 0.0 -
0.5376 21000 0.0 -
0.5389 21050 0.0 -
0.5402 21100 0.0 -
0.5414 21150 0.0 -
0.5427 21200 0.0 -
0.5440 21250 0.0 -
0.5453 21300 0.0 -
0.5466 21350 0.0 -
0.5478 21400 0.0 -
0.5491 21450 0.0 -
0.5504 21500 0.0 -
0.5517 21550 0.0 -
0.5530 21600 0.0 -
0.5542 21650 0.0 -
0.5555 21700 0.0 -
0.5568 21750 0.0 -
0.5581 21800 0.0 -
0.5594 21850 0.0 -
0.5606 21900 0.0 -
0.5619 21950 0.0 -
0.5632 22000 0.0 -
0.5645 22050 0.0 -
0.5658 22100 0.0 -
0.5670 22150 0.0 -
0.5683 22200 0.0 -
0.5696 22250 0.0 -
0.5709 22300 0.0 -
0.5722 22350 0.0 -
0.5734 22400 0.0 -
0.5747 22450 0.0 -
0.5760 22500 0.0 -
0.5773 22550 0.0 -
0.5786 22600 0.0 -
0.5798 22650 0.0 -
0.5811 22700 0.0 -
0.5824 22750 0.0 -
0.5837 22800 0.0 -
0.5850 22850 0.0 -
0.5862 22900 0.0 -
0.5875 22950 0.0 -
0.5888 23000 0.0 -
0.5901 23050 0.0 -
0.5914 23100 0.0 -
0.5926 23150 0.0 -
0.5939 23200 0.0 -
0.5952 23250 0.0 -
0.5965 23300 0.0 -
0.5978 23350 0.0 -
0.5990 23400 0.0 -
0.6003 23450 0.0 -
0.6016 23500 0.0 -
0.6029 23550 0.0 -
0.6042 23600 0.0 -
0.6054 23650 0.0 -
0.6067 23700 0.0 -
0.6080 23750 0.0 -
0.6093 23800 0.0 -
0.6106 23850 0.0 -
0.6118 23900 0.0 -
0.6131 23950 0.0 -
0.6144 24000 0.0 -
0.6157 24050 0.0 -
0.6170 24100 0.0 -
0.6182 24150 0.0 -
0.6195 24200 0.0 -
0.6208 24250 0.0 -
0.6221 24300 0.0 -
0.6234 24350 0.0 -
0.6246 24400 0.0 -
0.6259 24450 0.0 -
0.6272 24500 0.0 -
0.6285 24550 0.0 -
0.6298 24600 0.0 -
0.6310 24650 0.0 -
0.6323 24700 0.0 -
0.6336 24750 0.0 -
0.6349 24800 0.0 -
0.6362 24850 0.0 -
0.6374 24900 0.0 -
0.6387 24950 0.0 -
0.6400 25000 0.0 -
0.6413 25050 0.0 -
0.6426 25100 0.0 -
0.6438 25150 0.0 -
0.6451 25200 0.0 -
0.6464 25250 0.0 -
0.6477 25300 0.0 -
0.6490 25350 0.0 -
0.6502 25400 0.0 -
0.6515 25450 0.0 -
0.6528 25500 0.0 -
0.6541 25550 0.0 -
0.6554 25600 0.0 -
0.6566 25650 0.0 -
0.6579 25700 0.0 -
0.6592 25750 0.0 -
0.6605 25800 0.0 -
0.6618 25850 0.0 -
0.6630 25900 0.0 -
0.6643 25950 0.0 -
0.6656 26000 0.0 -
0.6669 26050 0.0 -
0.6682 26100 0.0 -
0.6694 26150 0.0 -
0.6707 26200 0.0 -
0.6720 26250 0.0 -
0.6733 26300 0.0 -
0.6746 26350 0.0 -
0.6758 26400 0.0 -
0.6771 26450 0.0 -
0.6784 26500 0.0 -
0.6797 26550 0.0 -
0.6810 26600 0.0 -
0.6822 26650 0.0 -
0.6835 26700 0.0 -
0.6848 26750 0.0 -
0.6861 26800 0.0 -
0.6874 26850 0.0 -
0.6886 26900 0.0 -
0.6899 26950 0.0 -
0.6912 27000 0.0 -
0.6925 27050 0.0 -
0.6938 27100 0.0 -
0.6950 27150 0.0 -
0.6963 27200 0.0 -
0.6976 27250 0.0 -
0.6989 27300 0.0 -
0.7002 27350 0.0 -
0.7014 27400 0.0 -
0.7027 27450 0.0 -
0.7040 27500 0.0 -
0.7053 27550 0.0 -
0.7066 27600 0.0 -
0.7078 27650 0.0 -
0.7091 27700 0.0 -
0.7104 27750 0.0 -
0.7117 27800 0.0 -
0.7130 27850 0.0 -
0.7142 27900 0.0 -
0.7155 27950 0.0 -
0.7168 28000 0.0 -
0.7181 28050 0.0 -
0.7194 28100 0.0 -
0.7206 28150 0.0 -
0.7219 28200 0.0 -
0.7232 28250 0.0 -
0.7245 28300 0.0 -
0.7258 28350 0.0 -
0.7270 28400 0.0 -
0.7283 28450 0.0 -
0.7296 28500 0.0 -
0.7309 28550 0.0 -
0.7322 28600 0.0 -
0.7334 28650 0.0 -
0.7347 28700 0.0 -
0.7360 28750 0.0 -
0.7373 28800 0.0 -
0.7386 28850 0.0 -
0.7398 28900 0.0 -
0.7411 28950 0.0 -
0.7424 29000 0.0 -
0.7437 29050 0.0 -
0.7450 29100 0.0 -
0.7462 29150 0.0 -
0.7475 29200 0.0 -
0.7488 29250 0.0 -
0.7501 29300 0.0 -
0.7514 29350 0.0 -
0.7526 29400 0.0 -
0.7539 29450 0.0 -
0.7552 29500 0.0 -
0.7565 29550 0.0 -
0.7578 29600 0.0 -
0.7590 29650 0.0 -
0.7603 29700 0.0 -
0.7616 29750 0.0 -
0.7629 29800 0.0 -
0.7642 29850 0.0 -
0.7654 29900 0.0 -
0.7667 29950 0.0 -
0.7680 30000 0.0 -
0.7693 30050 0.0 -
0.7706 30100 0.0 -
0.7718 30150 0.0 -
0.7731 30200 0.0 -
0.7744 30250 0.0 -
0.7757 30300 0.0 -
0.7770 30350 0.0 -
0.7782 30400 0.0 -
0.7795 30450 0.0 -
0.7808 30500 0.0 -
0.7821 30550 0.0 -
0.7833 30600 0.0 -
0.7846 30650 0.0 -
0.7859 30700 0.0 -
0.7872 30750 0.0 -
0.7885 30800 0.0 -
0.7897 30850 0.0 -
0.7910 30900 0.0 -
0.7923 30950 0.0 -
0.7936 31000 0.0 -
0.7949 31050 0.0 -
0.7961 31100 0.0 -
0.7974 31150 0.0 -
0.7987 31200 0.0 -
0.8000 31250 0.0 -
0.8013 31300 0.0 -
0.8025 31350 0.0 -
0.8038 31400 0.0 -
0.8051 31450 0.0 -
0.8064 31500 0.0 -
0.8077 31550 0.0 -
0.8089 31600 0.0 -
0.8102 31650 0.0 -
0.8115 31700 0.0 -
0.8128 31750 0.0 -
0.8141 31800 0.0 -
0.8153 31850 0.0 -
0.8166 31900 0.0 -
0.8179 31950 0.0 -
0.8192 32000 0.0 -
0.8205 32050 0.0 -
0.8217 32100 0.0 -
0.8230 32150 0.0 -
0.8243 32200 0.0 -
0.8256 32250 0.0 -
0.8269 32300 0.0 -
0.8281 32350 0.0 -
0.8294 32400 0.0 -
0.8307 32450 0.0 -
0.8320 32500 0.0 -
0.8333 32550 0.0 -
0.8345 32600 0.0 -
0.8358 32650 0.0 -
0.8371 32700 0.0 -
0.8384 32750 0.0 -
0.8397 32800 0.0 -
0.8409 32850 0.0 -
0.8422 32900 0.0 -
0.8435 32950 0.0 -
0.8448 33000 0.0 -
0.8461 33050 0.0 -
0.8473 33100 0.0 -
0.8486 33150 0.0 -
0.8499 33200 0.0 -
0.8512 33250 0.0 -
0.8525 33300 0.0 -
0.8537 33350 0.0 -
0.8550 33400 0.0 -
0.8563 33450 0.0 -
0.8576 33500 0.0 -
0.8589 33550 0.0 -
0.8601 33600 0.0 -
0.8614 33650 0.0 -
0.8627 33700 0.0 -
0.8640 33750 0.0 -
0.8653 33800 0.0 -
0.8665 33850 0.0 -
0.8678 33900 0.0 -
0.8691 33950 0.0 -
0.8704 34000 0.0 -
0.8717 34050 0.0 -
0.8729 34100 0.0 -
0.8742 34150 0.0 -
0.8755 34200 0.0 -
0.8768 34250 0.0 -
0.8781 34300 0.0 -
0.8793 34350 0.0 -
0.8806 34400 0.0 -
0.8819 34450 0.0 -
0.8832 34500 0.0 -
0.8845 34550 0.0 -
0.8857 34600 0.0 -
0.8870 34650 0.0 -
0.8883 34700 0.0 -
0.8896 34750 0.0 -
0.8909 34800 0.0 -
0.8921 34850 0.0 -
0.8934 34900 0.0 -
0.8947 34950 0.0 -
0.8960 35000 0.0 -
0.8973 35050 0.0 -
0.8985 35100 0.0 -
0.8998 35150 0.0 -
0.9011 35200 0.0 -
0.9024 35250 0.0 -
0.9037 35300 0.0 -
0.9049 35350 0.0 -
0.9062 35400 0.0 -
0.9075 35450 0.0 -
0.9088 35500 0.0 -
0.9101 35550 0.0 -
0.9113 35600 0.0 -
0.9126 35650 0.0 -
0.9139 35700 0.0 -
0.9152 35750 0.0 -
0.9165 35800 0.0 -
0.9177 35850 0.0 -
0.9190 35900 0.0 -
0.9203 35950 0.0 -
0.9216 36000 0.0 -
0.9229 36050 0.0 -
0.9241 36100 0.0 -
0.9254 36150 0.0 -
0.9267 36200 0.0 -
0.9280 36250 0.0 -
0.9293 36300 0.0 -
0.9305 36350 0.0 -
0.9318 36400 0.0 -
0.9331 36450 0.0 -
0.9344 36500 0.0 -
0.9357 36550 0.0 -
0.9369 36600 0.0 -
0.9382 36650 0.0 -
0.9395 36700 0.0 -
0.9408 36750 0.0 -
0.9421 36800 0.0 -
0.9433 36850 0.0 -
0.9446 36900 0.0 -
0.9459 36950 0.0 -
0.9472 37000 0.0 -
0.9485 37050 0.0 -
0.9497 37100 0.0 -
0.9510 37150 0.0 -
0.9523 37200 0.0 -
0.9536 37250 0.0 -
0.9549 37300 0.0 -
0.9561 37350 0.0 -
0.9574 37400 0.0 -
0.9587 37450 0.0 -
0.9600 37500 0.0 -
0.9613 37550 0.0 -
0.9625 37600 0.0 -
0.9638 37650 0.0 -
0.9651 37700 0.0 -
0.9664 37750 0.0 -
0.9677 37800 0.0 -
0.9689 37850 0.0 -
0.9702 37900 0.0 -
0.9715 37950 0.0 -
0.9728 38000 0.0 -
0.9741 38050 0.0 -
0.9753 38100 0.0 -
0.9766 38150 0.0 -
0.9779 38200 0.0 -
0.9792 38250 0.0 -
0.9805 38300 0.0 -
0.9817 38350 0.0 -
0.9830 38400 0.0 -
0.9843 38450 0.0 -
0.9856 38500 0.0 -
0.9869 38550 0.0 -
0.9881 38600 0.0 -
0.9894 38650 0.0 -
0.9907 38700 0.0 -
0.9920 38750 0.0 -
0.9933 38800 0.0 -
0.9945 38850 0.0 -
0.9958 38900 0.0 -
0.9971 38950 0.0 -
0.9984 39000 0.0 -
0.9997 39050 0.0 -
1.0 39063 - 0.4016
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.13
  • SetFit: 1.0.3
  • Sentence Transformers: 2.2.2
  • Transformers: 4.36.2
  • PyTorch: 2.1.2+cu121
  • Datasets: 2.16.1
  • Tokenizers: 0.15.0

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}
}
Downloads last month
10
Safetensors
Model size
124M params
Tensor type
F32
·
Inference Examples
Text Classification
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for firqaaa/indo-setfit-bert-base-p2

Base model

firqaaa/indo-sentence-bert-base
Finetuned
(8)
this model

Evaluation results

View on Papers With Code