--- library_name: setfit tags: - setfit - sentence-transformers - text-classification - generated_from_setfit_trainer base_model: adriansanz/halfine metrics: - accuracy widget: - text: 'partits de futbol en vía pública que generen sorrolls i desperfectes : soc una veina de la plaça victor mateu i moles. durant tot l’any el jovent juguen a fútbol en la part asfaltada de la plaça i disparen les pilotes contra la tanca del recinte que correspon als portals 1, 2 i 3 de dita plaça. aquests partits s’allarguen fins passades les 12 de la nit i a més provoquen l’enfonsament de la tanca metàl•lica. avisada la guàrdia urbana en diverses ocasions en les que han fet cas omís. aquests fets pertorben el descans dels veïns a més dels desperfectes que ocasionen i que haurem de pagar entre els veïns de la comunitat. aquests fets s’estan produint des de la remodelació de la plaça. gràcies per la vostra atenció.' - text: 'una bombeta fosa en una farola : al carrer antoni agusti al nº 9 hi ha una farola amb una bombeta fosa fa dies que i está' - text: 'vehicle circulant amb itv caducada : el vehicle marca hundai civic de color verd provist de plaques de matricula 2449 cyj circula pels carrers dels voltants del arnau de vilanova amb la itv caducada del març del 23 per tant aquest vehicle cal que passi la inspeccio tecnica corresponent per a garantir la seguretat de la resta d''usuaris de la zona....gracies.....apercebin al conductor o propietari al mes aviat possible.....' - text: 'devolució fiances : bona tarda, voldria saber el procediment a seguir per sol•licitar la devolució d’unes fiances que es varen constituir per realitzar unes obres, les quals ja han acabat. no sé si depèn d''urbanisme, via pública, tramitacions... disculpeu. atentament marc castelló' - text: 'senyal vertical d,obligacio de circulacion giratoria despenjada : la senyal vertical circular de obligacio de circulacio giratoria situada a la glorieta de dr.fleming amb avinguda 11 de setembre,,,,,davant centre penitenciari ,,,roman despenjada al terra,,,,caldria tornar la a penjar en el seu lloc......gracies....revisin la zona.....' pipeline_tag: text-classification inference: true --- # SetFit with adriansanz/halfine This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [adriansanz/halfine](https://huggingface.co/adriansanz/halfine) 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:** [adriansanz/halfine](https://huggingface.co/adriansanz/halfine) - **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 ### 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 | | | 1 | | | 2 | | | 3 | | | 4 | | | 5 | | | 6 | | | 7 | | | 8 | | | 9 | | | 10 | | | 11 | | | 12 | | | 13 | | | 14 | | | 15 | | | 16 | | ## 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("una bombeta fosa en una farola : al carrer antoni agusti al nº 9 hi ha una farola amb una bombeta fosa fa dies que i está") ``` ## Training Details ### Training Set Metrics | Training set | Min | Median | Max | |:-------------|:----|:-------|:----| | Word count | 5 | 5.9412 | 9 | | 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: (16, 2) - num_epochs: (1, 16) - 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: False ### Framework Versions - Python: 3.10.12 - SetFit: 1.0.3 - Sentence Transformers: 2.7.0 - Transformers: 4.40.1 - PyTorch: 2.2.1+cu121 - Datasets: 2.19.1 - Tokenizers: 0.19.1 ## 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} } ```