Hugging Face's logo

mini1013
/
master_cate_lh26

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh26 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
667c54d verified
preview code
|
raw
history blame contribute delete
13.6 kB
---
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: 회전 걸레 I형 받이 통돌이 청소기 밀대 막대 물 밀대걸레 추가구매시 배송비 스쿠라
- text: 사선컷팅 돌돌이 테이프클리너 리필 15롤(3롤x5봉지) MinSellAmount 롯데 아이몰
- text: 청소 슬리퍼 층간소음 발 걸레 거실화 극세사 신발 바닥 탈부착 리필 대형 빅사이즈 청소슬리퍼-와플(여성용)블루 다소니
- text: 눌러주는 압축 쓰레기통 공간 절약 종량제 휴지통 대형 화장실 25리터 사각 화이트 다루솔
- text: 국산 플라이토 실리콘 클라우드 미니 스퀴지 15cm 민트 골드깨비
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: 0.9071537290715372
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:** 11 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 |
|:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 0.0 | <ul><li>'무지개 극세사 손걸레 S 주방 청소 경편 걸레 타올 02 바둑 이지 걸레_30x40 (파랑) 플렌티'</li><li>'폴리에스터 무진보루 크린룸와이퍼 1bag INOX-3140(보급형) INOX-3140(보급형) 미래유통'</li><li>'모던 리필 탈부착형 청소슬리퍼 거실화 실내화 모던코코아 바보사랑♥'</li></ul> |
| 4.0 | <ul><li>'매직 펄프 청소기 그레이 밀대 바닥 물 마포 걸레 스펀지 추가 매직펄프 리필용 씨엔 주식회사'</li><li>'3M621 퀵스위퍼 극세사 융 리필패드 43x14cm 커플EH'</li><li>'청소 밀대 걸레 청소기+극세사 패드 5장/ 리필 대 물걸레 밀대패드 마대 마포 용품 도구 C03) 밀대 그린+스트라이프 3장 (주)이오스트'</li></ul> |
| 8.0 | <ul><li>'스카트 테이프클리너 특대형 대형 중형 번들팩 리필팩 테이프클리너_대형 리필팩 3P 해피하우스70'</li><li>'고로고로 카페트 침구용 초강력 리필 6롤 하이그레이드 오렌지컷 제이에스지'</li><li>'스탠드형 테이프 클리너 리필10개입 동그라미'</li></ul> |
| 9.0 | <ul><li>'추가밀대봉(발로 밟는 통돌이용 오수분리용) EVE8 추가봉(오수분리용) 에브리씽굿'</li><li>'퀸마루 멀티맙 페달청소기 스핀 밀대 페달 청소기 페달식통 시공간'</li><li>'무선청소기 V6 호환 물걸레 헤드 습식 패드 단독상품 하늘시스템'</li></ul> |
| 6.0 | <ul><li>'바닥청소솔 밀대 청소솔 브러쉬 세트 욕실 주방 화장실 계단 식당 목욕탕 업소용 찌든때 10_최고급 바닥솔(대형) (A427) 크린메이트'</li><li>'바이칸 소프트 인테리어브러쉬 5552504 자동차 실내브러쉬 주식회사 충성'</li><li>'3M 청소용 브러쉬 타일 및 틈새 브러쉬(1686) 토탈마트'</li></ul> |
| 1.0 | <ul><li>'베네코 [홈케어 풀패키지] 욕실주방 셀프나노코팅 싱크대상판 타일 대리석 화장실코팅제 30평대 (주)포이즈'</li><li>'가제트 지우개 청소기 GEC3000 블루 책상 클리너 위드피플즈'</li><li>'일동엘앤비 데일리워터 도톰한 일회용 물걸레청소포 특대형 25매 10팩 동의합니다 그랩유어스'</li></ul> |
| 3.0 | <ul><li>'3M 먼지떨이 미세먼지 흡착 먼지털이개 (핸들+리필 6개) / 스카치브라이트 핸들 리필 6개 432118 A. 다용도_2. 롱핸들 + 리필 6개 커머스디'</li><li>'틈새 먼지제거 청소 막대 스틱 쇼파밑 침대 밑 냉장고 위 청소 도구 소품 틈새 먼지 청소 막대 핑크 메리트샵'</li><li>'강아지 고양이 털 제거 반영구 털제거기 B타입 챈지윙몰03'</li></ul> |
| 7.0 | <ul><li>'스퀴즈 욕실 미니 핸드 스퀴지 화장실 물기제거 퍼니파니'</li><li>"스카트 유리 거울 세정 티슈 30매x4개 올바른'"</li><li>'홈스타 싱크대 배수관 클리너, 1개 + 욕실 하수구 클리너, 1개 + 세면대 배수관 클리너, 1개+ (파워액션 락스, 1L, 1개) 구분 : 홈스타 싱크대 배수관 클리너, 1개 + 욕실 하수구 클리너, 1개 + 세면대 배수관 클리너, 1개 + 증정(락스로 부탁해, 1L, 1개) 슈팅배송'</li></ul> |
| 10.0 | <ul><li>'[OCB7]뚜껑있는 압축휴지통 10리터 20리터 10리터-그레이 아이넷파'</li><li>'SQS673418스텐레스 신우 페달휴지통 5L 더블유케이알'</li><li>'미니 홀렌 가정용 잔반통 기저귀휴지통 바스켓 휴지통 다용도 냄새차단 아이보리 륜은컴퍼니'</li></ul> |
| 2.0 | <ul><li>'웰 소형 매직크리너 3x7x11cm 포장10개 독일매직블럭 블록 청소용품 폼 에이원마켓'</li><li>'[신세계 핑]올가휴 내추럴 매직팝업 스펀지 1+1세트(100개) 신세계몰'</li><li>'198654 다모아 클리너 싱글 구성 (본체1개+PVA스펀지2개) 제이디무역'</li></ul> |
| 5.0 | <ul><li>'외각쓰레받이 삼태기 새롬이쓰레받이 업소용쓰레받이 외부쓰레받이 실외쓰레받이 2_외각 쓰레받이 바른상회'</li><li>'폴드 업 비세트 신규D'</li><li>'로엘 알루미늄봉 도로비 중 개량비 관공서 쓸비 제설 미니빗자루 마당비 실내용빗자루 호스용빗자루 싸리비 바른상회'</li></ul> |
## Evaluation
### Metrics
| Label | Metric |
|:--------|:-------|
| **all** | 0.9072 |
## 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_lh26")
# Run inference
preds = model("국산 플라이토 실리콘 클라우드 미니 스퀴지 15cm 민트 골드깨비")
```
<!--
### 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 | 3 | 10.5873 | 42 |
| 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 |
| 9.0 | 50 |
| 10.0 | 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0116 | 1 | 0.4009 | - |
| 0.5814 | 50 | 0.3271 | - |
| 1.1628 | 100 | 0.1934 | - |
| 1.7442 | 150 | 0.0971 | - |
| 2.3256 | 200 | 0.074 | - |
| 2.9070 | 250 | 0.0704 | - |
| 3.4884 | 300 | 0.0402 | - |
| 4.0698 | 350 | 0.0309 | - |
| 4.6512 | 400 | 0.023 | - |
| 5.2326 | 450 | 0.0112 | - |
| 5.8140 | 500 | 0.0037 | - |
| 6.3953 | 550 | 0.0009 | - |
| 6.9767 | 600 | 0.0002 | - |
| 7.5581 | 650 | 0.0003 | - |
| 8.1395 | 700 | 0.0002 | - |
| 8.7209 | 750 | 0.0001 | - |
| 9.3023 | 800 | 0.0001 | - |
| 9.8837 | 850 | 0.0001 | - |
| 10.4651 | 900 | 0.0001 | - |
| 11.0465 | 950 | 0.0001 | - |
| 11.6279 | 1000 | 0.0001 | - |
| 12.2093 | 1050 | 0.0001 | - |
| 12.7907 | 1100 | 0.0002 | - |
| 13.3721 | 1150 | 0.0001 | - |
| 13.9535 | 1200 | 0.0001 | - |
| 14.5349 | 1250 | 0.0001 | - |
| 15.1163 | 1300 | 0.0001 | - |
| 15.6977 | 1350 | 0.0001 | - |
| 16.2791 | 1400 | 0.0001 | - |
| 16.8605 | 1450 | 0.0001 | - |
| 17.4419 | 1500 | 0.0001 | - |
| 18.0233 | 1550 | 0.0001 | - |
| 18.6047 | 1600 | 0.0001 | - |
| 19.1860 | 1650 | 0.0001 | - |
| 19.7674 | 1700 | 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.*
-->