Hugging Face's logo

mini1013
/
master_cate_lh14

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh14 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
ce9cf56 verified
preview code
|
raw
history blame contribute delete
12.1 kB
metadata
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: 인체모형 교육용 해부 해부학 마네킹 해골 뼈 업그레이드된버전62CM색상흰색남성모델찌를수있음 에스와이컴퍼니
  - text: 고급 패브릭정리함 리빙박스 트윈커버 소형  기안79
  - text: >-
      거치대 대회 전시 진열 태권도 트로피 메달 스포츠 디스플레이 선반 가로 120 세로 20센티_라이트 텍스처 나무판자 색상표:오색 라인
      프레즈스튜디오
  - text: 투명 조립식 신발장 신발 정리대 수납장 보관함 민트 살림공백
  - text: >-
      고양이 철제 실내화 정리대 슬리퍼 꽂이 걸이 거치대 현관 화장실 현관 홀더 슈즈렉 4단 고양이 실내화거치대_화이트 티비앤지컴퍼니
      (TB&G Co.)
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: 0.937399876771411
            name: Metric

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
6.0
  • '아임홈리빙 베이직 튼튼 논슬립 옷걸이 1P 퍼플 주식회사에버원'
  • '[리벤스] 코팅 논슬립 바지걸이 20P / 원목 바지걸이 및 행거 G.화이트 싱글 1단 이동식행거 아소리빙'
  • '[ 판매] 아이지베스트 바두기 뉴매직 행거 30p 바두기'
3.0
  • '스판 선풍기커버 난방기 온풍기 보관 덮개 커버 먼지차단 헤드형 스탠드형 스판선풍기커버 헤드형_베이지 굿조인'
  • '보관 스탠드 선풍기 커버 방수 일반형 헤드 케이스 북유럽풍 수납하기좋은 카바 헤드형_그레이 바른상회'
  • '공업용 선풍기 안전망 대형 산업 보호망 커버 용품 카바 30in 고퀄리'
4.0
  • '무타공 벽부착 화장지 수납 다용도 걸이 바구니 소품 선반바 스켓 거치대 케이스 인테리어 그레이1P 이노트러스트'
  • '스텐 주방 싱크대 도어행거 후크 수건 행주 걸이 문걸이행거 화이트도장_도어행거1P 주식회사 제이케이씨글로벌'
  • '로에드 초강력 마그네틱 자석 후크 마스크 걸이 10P 미니자석후크 10개세트(E10) 데일리마켓'
7.0
  • '심플 헹거커버 헹거커버-브라운 갱자상회'
  • '먼지방지 프리미엄 옷커버 혼합(자켓용10P+코트용5P) 총 15P GSSHOP_'
  • '인앳홈 의류먼지방지덮개 행거커버 의류오염방지커버 No 01.반투명 먼지 방지덮개 60X110 디엘시스'
2.0
  • '[비카] 트롤리 /수납함/츄레이/기저귀함/이동식수납함/주방용품/식당 비카_다크크레이 '
  • '할메이드 주방 화장품 서랍 이동식 트롤리 틈새 선반 바퀴달린 수납장 트레이 3단 메쉬 트롤리 4단 화이트 (주)할메이드'
  • '아텍스 다용도 베란다벽선반 팬트리 세탁실 벽걸이 반달 화이트/봉스테인레스/올스테인레스 국내제작_MC 반달화이트 43cm_1단 1.2m 멸치쇼핑'
1.0
  • '쇼핑 바구니 마트 장바구니 플라스틱 시장 편의점 AA 미니 초록 쇼핑 바구니 왕대 초록 주식회사 오메가키친'
  • '[다이소]칸칸이수납바구니-1001900 (주)한웰이쇼핑'
  • '대나무 석작 한과바구니 대나무함 한과상자 폐백 떡바 타입 타입_사각 석작 - 소 이잡스2'
0.0
  • '[애구애구]강아지 애견 마네킹 인형 S/M/L 04_L 블랙시니어 신세계몰'
  • '매장용 목걸이 귀걸이 거치 마네킹 디스플레이 쥬얼리 14 소소한'
  • '상체마네킹 남성정장 디스플레이 마네킹 양복점 전신 드레스 스탠드 의류매장모델행거 Q 아띠쇼핑'
5.0
  • '맨손진공순삭압축팩 맨손압축팩 45x70 세인 클러스터'
  • '대형 입체 압축팩 이불 인형 보관 상품선택_중호세로형 행밤'
  • '맨손진공순삭압축팩 맨손압축팩 56x80 세인 클러스터'
8.0
  • '4개 택일 대형 중형 종이수납박스 리빙 대형 캣마스터'
  • '[펠로우즈] 뱅커스 베이직 / 프레스트 파일박스(2개입) 베이직 오피스디포 의왕군포점'
  • '펠로우즈 파일박스 Presto 블루 17243 2개 플렉스온컴퍼니'

Evaluation

Metrics

Label Metric
all 0.9374

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_lh14")
# Run inference
preds = model("고급 패브릭정리함 리빙박스 트윈커버 소형  기안79")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 10.5244 22
Label Training Sample Count
0.0 50
1.0 50
2.0 50
3.0 50
4.0 50
5.0 50
6.0 50
7.0 50
8.0 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
0.0141 1 0.3887 -
0.7042 50 0.3275 -
1.4085 100 0.1223 -
2.1127 150 0.0307 -
2.8169 200 0.0273 -
3.5211 250 0.0253 -
4.2254 300 0.0097 -
4.9296 350 0.0156 -
5.6338 400 0.0156 -
6.3380 450 0.0175 -
7.0423 500 0.0136 -
7.7465 550 0.0117 -
8.4507 600 0.002 -
9.1549 650 0.0174 -
9.8592 700 0.0155 -
10.5634 750 0.0136 -
11.2676 800 0.0193 -
11.9718 850 0.0135 -
12.6761 900 0.0004 -
13.3803 950 0.0001 -
14.0845 1000 0.0001 -
14.7887 1050 0.0001 -
15.4930 1100 0.0 -
16.1972 1150 0.0 -
16.9014 1200 0.0 -
17.6056 1250 0.0 -
18.3099 1300 0.0 -
19.0141 1350 0.0 -
19.7183 1400 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 

@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}
}