---
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
library_name: setfit
metrics:
- accuracy
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Pasivo ahorro y retiro job mejor atención y disponibilidad
- text: Detractor ahorro y retiro ahorro y retiro premium La atenció telefónica no
    es buena solo habla una maquina y nunca responde una persona para que le ayude
    a uno y poder expresar lo que se necesita.
- text: Detractor gestión patrimonial alto perfil Difícil hacer una gestión por la
    página. No he podido retirar un saldo porque no llevo carta y no me dicen qué
    hacer si esa empresa ya no existe
- text: Detractor ahorro y retiro dynamic top POrque tengo una inversion y hace tiempo
    que no se contacta mi asesor conmigo, le escribí un correo hace unos días y no
    me contestó, cambie de celular y no he podido actiualizarlo, estoy buscando como
    sacar mi dinero de alla, por la mala experiencia.
- text: Detractor ahorro y retiro pensionado Empecé el proceso en****, y terminé consiguiéndolo
    en el****, me dejé en el camino más de 250€ en llamadas desde España a Colombia,
    y cada mes me toca pagar para traer el dinero de mi pensión hasta España porque
    no hay convenios con los bancos, pierdes en el año más o menos el 80% de una mesada.
inference: true
model-index:
- name: SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: accuracy
      value: 0.8823529411764706
      name: Accuracy
---

# SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) 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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 128 tokens
- **Number of Classes:** 4 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                                                                                                                                                                                                                                                                                                                                                                                                                                                                                    |
|:----------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Construcción de mi pensión personas     | <ul><li>'Promotor ahorro y retiro job Excelente servicio'</li><li>'Promotor ahorro y retiro pensionado Asesoría sobre las modalidades de pensión'</li><li>'Pasivo ahorro y retiro hni job Mejorar la asesoría personalizada según el nivel de ingresos de la persona'</li></ul>                                                                                                                                                                                                             |
| Solución de ahorro e inversión personas | <ul><li>'Detractor ahorro y retiro job No estoy muy relacionada con el tema'</li><li>'Detractor gestión patrimonial alto perfil Mal servicio por desconocimiento, decisiones unilaterales de Proteccion que afectan a los usuarios, falta de trasparencia en negociones de bonos, falta de soportes aritmeticos y financieros en sus datos a clientes, etc, ect.'</li><li>'Pasivo ahorro y retiro job Asesor pendiente del ahorro sea mucho o poco para  tener más rendimientos.'</li></ul> |
| Cesantías Personas                      | <ul><li>'Detractor gestión patrimonial alto perfil No me volvieron a enviar información de mi estado de cuenta de las cesantías'</li></ul>                                                                                                                                                                                                                                                                                                                                                  |
| Construcción de mi pensión empresas     | <ul><li>'Detractor ahorro y retiro ahorro y retiro basic No contamos con acompañamiento.'</li><li>'Promotor grandes empleadores grandes empleadores el reconocimiento y trayectoria'</li><li>'Pasivo ahorro y retiro ahorro y retiro basic Mejor asesoramiento'</li></ul>                                                                                                                                                                                                                   |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 0.8824   |

## 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("camaosos/journey")
# Run inference
preds = model("Pasivo ahorro y retiro job mejor atención y disponibilidad")
```

<!--
### 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   | 18.7576 | 169 |

| Label                                   | Training Sample Count |
|:----------------------------------------|:----------------------|
| Cesantías Personas                      | 1                     |
| Construcción de mi pensión empresas     | 8                     |
| Construcción de mi pensión personas     | 31                    |
| Solución de ahorro e inversión personas | 26                    |

### Training Hyperparameters
- batch_size: (16, 16)
- num_epochs: (4, 4)
- 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 |
|:-------:|:-------:|:-------------:|:---------------:|
| 0.0060  | 1       | 0.1959        | -               |
| 0.3012  | 50      | 0.196         | -               |
| 0.6024  | 100     | 0.0082        | -               |
| 0.9036  | 150     | 0.0016        | -               |
| 1.0     | 166     | -             | 0.1009          |
| 1.2048  | 200     | 0.0012        | -               |
| 1.5060  | 250     | 0.0012        | -               |
| 1.8072  | 300     | 0.0004        | -               |
| **2.0** | **332** | **-**         | **0.095**       |
| 2.1084  | 350     | 0.0005        | -               |
| 2.4096  | 400     | 0.0004        | -               |
| 2.7108  | 450     | 0.0005        | -               |
| 3.0     | 498     | -             | 0.1009          |
| 3.0120  | 500     | 0.0005        | -               |
| 3.3133  | 550     | 0.0003        | -               |
| 3.6145  | 600     | 0.0003        | -               |
| 3.9157  | 650     | 0.0011        | -               |
| 4.0     | 664     | -             | 0.1002          |

* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.10
- SetFit: 1.0.3
- Sentence Transformers: 3.0.1
- Transformers: 4.42.3
- PyTorch: 2.2.1+cu121
- Datasets: 2.20.0
- 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}
}
```

<!--
## 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.*
-->