---
base_model: mini1013/master_domain
library_name: setfit
metrics:
- metric
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: IPTIME UC 305HDMI C타입 USB 멀티포트 노트북 확장 PD  (주)스마트포유
- text: 로지텍 파워플레이 Logitech Powerplay 시스템 충전패드 병행수입 Power Play 주식회사 데나
- text: PBT키캡 푸딩 이중사출 영문 정각 108 풀배열 키보드 화이트  몬스타 주식회사
- text: 펠로우즈 i-spire rocking 미니손목받침대 그레이 93933 그레이 아이룸코리아
- text: AMH 클리어 투웨이 4포트 USB3.0 허브 민트  주식회사보성닷컴
inference: true
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: metric
      value: 0.9550144449030128
      name: Metric
---

# 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:** 9 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                                                                                                                                                                                                                                            |
|:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 2     | <ul><li>'몬스타기어 달토끼 PBT 체리 프로파일 키캡  주식회사 노벨뷰사이언스'</li><li>'[COX] 영문 키캡, CX158 158키 이색사출 PBT 키캡, OSA 프로파일 [오셀라리스]  (주)컴퓨존'</li><li>'벤큐 조위 CAMADE2 e-Sports 게이밍 마우스 번지대/마우스번지/카마데2  하이스트네트웍스 주식회사'</li></ul>                                           |
| 5     | <ul><li>'지클릭커 클라우드 코튼 팜레스트 키보드 쿠션 손목 받침대 눈설탕 눈설탕 (주)수빈인포텍'</li><li>'ABKO ARC1 TKL 아크릴 팜레스트 키보드 손목 받침대 텐키리스용 아이스 아크릴  조은 정보'</li><li>'펠로우즈 크리스탈젤 미니손목받침대 CRC91477 / 보라  에이티쓰리'</li></ul>                                                             |
| 8     | <ul><li>'로지텍 K380 키스킨  주식회사 제이앤디코퍼레이션'</li><li>'로지텍 K260 K270 K275 K295 MK275 MK295 키스킨 키보드커버 덮개 로지텍 K295 키스킨 현민트레이딩 주식회사'</li><li>'로지텍 K270 MK270R MK260R 키보드보호 키스킨  유비스마트'</li></ul>                                                              |
| 4     | <ul><li>'지클릭커 모니터 필름 PET 부착식 정보 보안 노트북 화면 보호기 블루라이트 차단 12.5인치  현시스템'</li><li>'앱코 블루라이트 차단 양면 부착형 모니터 정보보안필름 와이드(16:9) IP-24W  주식회사 케이에스샵'</li><li>'펠로우즈 프라이버시 정보보안 필터 14.1인치 와이드 16:10 정보보호 필름 48006  와이티코리아 주식회사'</li></ul>                        |
| 3     | <ul><li>'앱코 Pastel Desk Long Pad 마우스패드 파스텔 베이지 주식회사 승호'</li><li>'스틸시리즈 Qck Edge XL 게이밍 마우스패드  주식회사 엠앤웍스'</li><li>'파스텔 방수 가죽 마우스 장패드 네이비 본조르노온라인 주식회사'</li></ul>                                                                                     |
| 7     | <ul><li>'동성 만능크리너 60매 본품  (주)바오밥컴퍼니'</li><li>'동성크리너 동성 만능크리너 150매 (원통형)  주식회사 해인디지탈'</li><li>'일신 ECC-90 전기접점부활제 250g 리모콘 플스 닌텐도 스위치 조이콘 조이스틱 쏠림 접점세척제 벡스 BW-100 전기접점부활제 225g 모멘트리 (MOMENTREE)'</li></ul>                                            |
| 6     | <ul><li>'전오 케이블타이 450mm 대용량 흰색 J-450 100개 국산  손소프트'</li><li>'베이스어스 마그네틱 케이블클립,선정리,케이블홀더 블랙(ACWDJ-01) 주식회사엠피맨코리아'</li><li>'전오 케이블타이 140MM 국산제품 전선정리 포장끈 작업현장 건설 농장 전자 공장 백색(1000개) 보람 LED'</li></ul>                                                 |
| 1     | <ul><li>'ipTIME UH505 (기본구성) USB3.0 5포트 USB허브 5V3A 어댑터  (주)즐찾'</li><li>'EFM네트웍스 아이피타임 UH505  다사다 유한책임회사'</li><li>'벨킨 11in1 USB C타입 멀티 허브 독 100W 충전 HDMI VGA 이더넷 노트북 거치대형 INC004bt 아이폰15 갤럭시 S24 그램 맥북 노트북 호환 실버그레이(INC004btSGY) (주) 디지월드'</li></ul> |
| 0     | <ul><li>'Coms DJ729 데스크탑 PC 이동형 스탠드 컴퓨터 본체 거치대 바퀴 이동식 블랙  루미너스'</li><li>'컴퓨터 본체 받침대 DJ729  주식회사보성닷컴'</li><li>'데스크탑 PC 본체 이동형 스탠드 DJ729  주식회사 지디스엠알오'</li></ul>                                                                                      |

## Evaluation

### Metrics
| Label   | Metric |
|:--------|:-------|
| **all** | 0.9550 |

## 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_el2")
# Run inference
preds = model("AMH 클리어 투웨이 4포트 USB3.0 허브 민트  주식회사보성닷컴")
```

<!--
### 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   | 4   | 10.1397 | 25  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0     | 8                     |
| 1     | 50                    |
| 2     | 50                    |
| 3     | 50                    |
| 4     | 50                    |
| 5     | 50                    |
| 6     | 50                    |
| 7     | 50                    |
| 8     | 50                    |

### Training Hyperparameters
- batch_size: (512, 512)
- num_epochs: (20, 20)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 40
- body_learning_rate: (2e-05, 2e-05)
- head_learning_rate: 2e-05
- 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: False

### Training Results
| Epoch   | Step | Training Loss | Validation Loss |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0156  | 1    | 0.4963        | -               |
| 0.7812  | 50   | 0.1854        | -               |
| 1.5625  | 100  | 0.046         | -               |
| 2.3438  | 150  | 0.0048        | -               |
| 3.125   | 200  | 0.0168        | -               |
| 3.9062  | 250  | 0.0002        | -               |
| 4.6875  | 300  | 0.0001        | -               |
| 5.4688  | 350  | 0.0001        | -               |
| 6.25    | 400  | 0.0001        | -               |
| 7.0312  | 450  | 0.0001        | -               |
| 7.8125  | 500  | 0.0001        | -               |
| 8.5938  | 550  | 0.0001        | -               |
| 9.375   | 600  | 0.0001        | -               |
| 10.1562 | 650  | 0.0001        | -               |
| 10.9375 | 700  | 0.0           | -               |
| 11.7188 | 750  | 0.0001        | -               |
| 12.5    | 800  | 0.0           | -               |
| 13.2812 | 850  | 0.0           | -               |
| 14.0625 | 900  | 0.0           | -               |
| 14.8438 | 950  | 0.0           | -               |
| 15.625  | 1000 | 0.0           | -               |
| 16.4062 | 1050 | 0.0001        | -               |
| 17.1875 | 1100 | 0.0           | -               |
| 17.9688 | 1150 | 0.0           | -               |
| 18.75   | 1200 | 0.0           | -               |
| 19.5312 | 1250 | 0.0           | -               |

### Framework Versions
- Python: 3.10.12
- SetFit: 1.1.0.dev0
- Sentence Transformers: 3.1.1
- Transformers: 4.46.1
- PyTorch: 2.4.0+cu121
- Datasets: 2.20.0
- Tokenizers: 0.20.0

## 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.*
-->