README.md

---
base_model: deepset/gelectra-base
library_name: setfit
metrics:
- accuracy
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Ein sehr schöner heller Shop, eine sehr freundliche Bedienung
- text: 'Leider habe ich auch eine ganz mühselige Geschichte mit der Swisscom zu berichten.
    Ich habe anfangs April meinen Vertrag fristgemäss gekündigt. Habe ein neues Abo
    eines ebenfalls zu Swisscom gehörigen Tochter Unternehmen abgeschlossen. Leider
    funktionierte die Portierung nicht. Respektive Swisscom kündigte die Portierung
    schriftlich und ich kann wieder von vorne beginnen. Bei der Portierung seien von
    mir Angaben nicht komplett ausgefüllt worden ist der Grund der Ablehnung.


    Damit ich meine Rufnummer nicht verliere musste ich die Nummer neu aufschalten.
    Dies hatte zur Konsequenz das mein alter Vertrag wieder 2 Monate Kündigungsfrist
    bekam. Ich bin ein langjähriger Swisscom Kunde. Firma, Privat und sogar Ferienwohnung
    laufen alle über Swisscom. Aber wie ich in diesen zwei Hotline‘s (Swisscom und
    Wingo) hin und her jongliert wurde, war wirklich zu viel des guten.

    Ich hoffe nun auf eine gemeinsame Lösung…

    Werde berichten…'
- text: Galaxus ist einfach TOP!🌟 habe sowas noch nie erlebt das Produkt kam mit einem
    Schaden an, der Schaden wurde gemeldet und es wurde direkt ein Neues geschickt.
    SEHR ZUFRIEDEN MIT GALAXUS!
- text: Wartezeit im Callcenter unerhört lange!! Auf Band wird mitgeteilt, dass man
    2 Minuten warten muss und dann ist man beinahe 20 Minuten in der Warteschlaufe
    für eine Auskunft. Das ist eine miserable Dienstleistung und eine Katastrophe!
- text: Ich bin mit dem Service der UBS am Claraplatz gar nicht zufrieden. Im Mai
    2021 wollte ich von der Postfinance zur UBS wechseln. Der Mitarbeiter D... sagte,
    er würde das Postkonto kündigen, was er nicht getan hat. Nun ist er seit mehr
    als einem Monat nicht erreichbar, obwohl ich mehrere Versuche machte, wurde ich
    immer wieder vertröstet. Auch habe ich noch nicht alle Bankkarten bekommen. Jetzt
    ist schon Mitte Oktober. Das ist alles sehr mühsam mit den Mitarbeitenden am Claraplatz
    Basel.
inference: false
model-index:
- name: SetFit with deepset/gelectra-base
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: accuracy
      value: 0.023728813559322035
      name: Accuracy
---

# SetFit with deepset/gelectra-base

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [deepset/gelectra-base](https://huggingface.co/deepset/gelectra-base) as the Sentence Transformer embedding model. A OneVsRestClassifier 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:** [deepset/gelectra-base](https://huggingface.co/deepset/gelectra-base)
- **Classification head:** a OneVsRestClassifier instance
- **Maximum Sequence Length:** 512 tokens
<!-- - **Number of Classes:** Unknown -->
<!-- - **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)

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 0.0237   |

## 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("larshubacher/setfitdeepset_gelectra-base")
# Run inference
preds = model("Ein sehr schöner heller Shop, eine sehr freundliche Bedienung")
```

<!--
### 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   | 4   | 50.5234 | 331 |

### Training Hyperparameters
- batch_size: (16, 16)
- num_epochs: (1, 1)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 20
- 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 |
|:------:|:----:|:-------------:|:---------------:|
| 0.0031 | 1    | 0.4768        | -               |
| 0.1562 | 50   | 0.244         | -               |
| 0.3125 | 100  | 0.1326        | -               |
| 0.4688 | 150  | 0.1522        | -               |
| 0.625  | 200  | 0.0991        | -               |
| 0.7812 | 250  | 0.1375        | -               |
| 0.9375 | 300  | 0.1216        | -               |

### Framework Versions
- Python: 3.11.11
- SetFit: 1.0.3
- Sentence Transformers: 3.0.1
- Transformers: 4.40.2
- PyTorch: 2.5.1+cu121
- Datasets: 2.21.0
- 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.*
-->