README.md

---
library_name: setfit
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
metrics:
- accuracy
widget:
- text: 'Neteja a deshores : Avui a les 7:30 del matí i s''ha presentat un senyor
    amb una furgoneta de LLEIDA MÉS NETA al carrer dels Agustins i amb una mànega
    a pressió i el seu compressor s''ha disposat a netejar el mobiliari urbà fins
    a les 07:45. Cada cop que apretava la mànega es disparava el compresor fent així
    molt soroll i finalment despertant a la canalla que ja tenen els dies comçlicats
    com per a que se''ls allarguin més encara A les 7:30 està prohibit fer soroll.
    Tinc varies fotos que ho demostren.'
- text: 'Barana del canal : A l’alçada del canal del c/. Enginyer Antoni Llobet esta
    instal.lada una barana que presenta un espai per la zona inferior que pot generar
    un accident,doncs es una zona molt transitada per nens i si cauen per allí perfectament
    es poden colar per sota i caure al canal. Sol.licito que hi fiquin algun tipo
    de protecció.'
- text: 'Escola de música d''adults : Hola. Voldria suggerir que féssiu algun descompte
    a l''Escola de música d''adults per les persones amb discapacitat. Gràcies.'
- text: 'Expedient DU13-380 Negociat de Disciplina Ue : Benvolguts Srs, Avui ens hem
    personat a l''edifici Pal.las per contactar amb el Negociat de Disciplina Urbanística
    i donar una resposta personal al requeriment. Estem en contacte amb un arquitecte
    qui presentarà en breu els documents requerits. La persona d''Urbanisme que ens
    ha atès aquest matí ens ha suggerit que presentéssim telemàticament l''escrit
    que volíem avui mateix aportar al Negociat, i que adjuntem. Rebin una salutació,
    Elisa Rosanes i Joan Valls'
- text: 'Bonificació escola bressol : Bones, vaig fer la tramitació per família monoparental
    per l''escola bressol la mitjana pero no s''he m''ha aplicat, ja que posa que
    la cuantitar a pagar son 90 euros mensuals. He tornat a fer la solicitud per si
    hi hagut algun problema. També voldria saber si ja esta aplicat el servei de menjador.
    Gràcies.'
pipeline_tag: text-classification
inference: true
base_model: ibaucells/RoBERTa-ca-CaWikiTC
---

# SetFit with ibaucells/RoBERTa-ca-CaWikiTC

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [ibaucells/RoBERTa-ca-CaWikiTC](https://huggingface.co/ibaucells/RoBERTa-ca-CaWikiTC) 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:** [ibaucells/RoBERTa-ca-CaWikiTC](https://huggingface.co/ibaucells/RoBERTa-ca-CaWikiTC)
- **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:** 17 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     | <ul><li>'Aquest article tracta sobre Aigües'</li><li>'Aquest article tracta sobre Aigües'</li><li>'Aquest article tracta sobre Aigües'</li></ul>                               |
| 1     | <ul><li>'Aquest article tracta sobre Comerç i mercats'</li><li>'Aquest article tracta sobre Comerç i mercats'</li><li>'Aquest article tracta sobre Comerç i mercats'</li></ul> |
| 2     | <ul><li>'Aquest article tracta sobre Cultura'</li><li>'Aquest article tracta sobre Cultura'</li><li>'Aquest article tracta sobre Cultura'</li></ul>                            |
| 3     | <ul><li>'Aquest article tracta sobre Economia'</li><li>'Aquest article tracta sobre Economia'</li><li>'Aquest article tracta sobre Economia'</li></ul>                         |
| 4     | <ul><li>'Aquest article tracta sobre Educació'</li><li>'Aquest article tracta sobre Educació'</li><li>'Aquest article tracta sobre Educació'</li></ul>                         |
| 5     | <ul><li>'Aquest article tracta sobre Enllumenat'</li><li>'Aquest article tracta sobre Enllumenat'</li><li>'Aquest article tracta sobre Enllumenat'</li></ul>                   |
| 6     | <ul><li>'Aquest article tracta sobre Esports'</li><li>'Aquest article tracta sobre Esports'</li><li>'Aquest article tracta sobre Esports'</li></ul>                            |
| 7     | <ul><li>'Aquest article tracta sobre Habitatge'</li><li>'Aquest article tracta sobre Habitatge'</li><li>'Aquest article tracta sobre Habitatge'</li></ul>                      |
| 8     | <ul><li>'Aquest article tracta sobre Horta'</li><li>'Aquest article tracta sobre Horta'</li><li>'Aquest article tracta sobre Horta'</li></ul>                                  |
| 9     | <ul><li>'Aquest article tracta sobre Medi ambient'</li><li>'Aquest article tracta sobre Medi ambient'</li><li>'Aquest article tracta sobre Medi ambient'</li></ul>             |
| 10    | <ul><li>'Aquest article tracta sobre Mobilitat'</li><li>'Aquest article tracta sobre Mobilitat'</li><li>'Aquest article tracta sobre Mobilitat'</li></ul>                      |
| 11    | <ul><li>'Aquest article tracta sobre Neteja'</li><li>'Aquest article tracta sobre Neteja'</li><li>'Aquest article tracta sobre Neteja'</li></ul>                               |
| 12    | <ul><li>'Aquest article tracta sobre Salut'</li><li>'Aquest article tracta sobre Salut'</li><li>'Aquest article tracta sobre Salut'</li></ul>                                  |
| 13    | <ul><li>'Aquest article tracta sobre Seguretat'</li><li>'Aquest article tracta sobre Seguretat'</li><li>'Aquest article tracta sobre Seguretat'</li></ul>                      |
| 14    | <ul><li>'Aquest article tracta sobre Serveis socials'</li><li>'Aquest article tracta sobre Serveis socials'</li><li>'Aquest article tracta sobre Serveis socials'</li></ul>    |
| 15    | <ul><li>'Aquest article tracta sobre Tramitacions'</li><li>'Aquest article tracta sobre Tramitacions'</li><li>'Aquest article tracta sobre Tramitacions'</li></ul>             |
| 16    | <ul><li>'Aquest article tracta sobre Urbanisme'</li><li>'Aquest article tracta sobre Urbanisme'</li><li>'Aquest article tracta sobre Urbanisme'</li></ul>                      |

## 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("adriansanz/test8")
# Run inference
preds = model("Escola de música d'adults : Hola. Voldria suggerir que féssiu algun descompte a l'Escola de música d'adults per les persones amb discapacitat. Gràcies.")
```

<!--
### 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   | 5   | 5.2353 | 7   |

| Label | Training Sample Count |
|:------|:----------------------|
| 0     | 8                     |
| 1     | 8                     |
| 2     | 8                     |
| 3     | 8                     |
| 4     | 8                     |
| 5     | 8                     |
| 6     | 8                     |
| 7     | 8                     |
| 8     | 8                     |
| 9     | 8                     |
| 10    | 8                     |
| 11    | 8                     |
| 12    | 8                     |
| 13    | 8                     |
| 14    | 8                     |
| 15    | 8                     |
| 16    | 8                     |

### Training Hyperparameters
- batch_size: (64, 64)
- num_epochs: (60, 60)
- 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 |
|:------:|:----:|:-------------:|:---------------:|
| 0.0037 | 1    | 0.4079        | -               |
| 0.1838 | 50   | 0.3625        | -               |
| 0.3676 | 100  | 0.3197        | -               |
| 0.5515 | 150  | 0.22          | -               |
| 0.7353 | 200  | 0.2259        | -               |
| 0.9191 | 250  | 0.1748        | -               |

### Framework Versions
- Python: 3.10.12
- SetFit: 1.0.3
- Sentence Transformers: 2.6.1
- Transformers: 4.38.2
- PyTorch: 2.2.1+cu121
- Datasets: 2.18.0
- Tokenizers: 0.15.2

## 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.*
-->