Hugging Face's logo

mini1013
/
master_cate_fd0

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fd0 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
b3bb6e1 verified
preview code
|
raw
history blame contribute delete
12.2 kB
metadata
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: 백설 찰밀가루 3Kg  에프엠에스인터내셔널 주식회사
  - text: 퀘이커 마시는오트밀 그래인 50g 20개 오트&봄딸기50gx10개_오트&우리쌀 50gx10개 (주)태풍
  - text: CJ제일제당 백설 강력밀가루 2.5kg  둘레푸드
  - text: 이츠웰 맛있는 튀김가루 1kg / CJ프레시웨이  청신호
  - text: 피플스 퀵오트밀 500gx2 (1kg) 귀리 07.퀵오트500g+뮤즐리500g 피플스(Peoples)
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: 0.9629787234042553
            name: Metric

SetFit with mini1013/master_domain

This is a SetFit model that can be used for Text Classification. This SetFit model uses mini1013/master_domain as the Sentence Transformer embedding model. A LogisticRegression 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 with contrastive learning.
  2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
7.0
  • '[플라하반] 유기농 포리지 500g 외 2종 롤드오트 압착귀리 유기농 포리지 280g 주식회사 수성인터내셔널'
  • '포스트 화이버 오트밀 오리지날 350g 다복상사'
  • '오트밀(식사용) 1kg/이든타운/오트밀/오트밀죽/oatmeal/압착귀리/곡류/곡물/시리얼/씨리얼/후레이크/생식/선식/건강식/두유/우유/제과/제빵/쿠키/재료/식사대용/요거트 드랍쉽'
0.0
  • '볶은 검은깨 분말 가루 국내산 300g 검정깨 블랙푸드 검은콩청국장환 200g 농업회사법인 주식회사 두손애약초'
  • '볶은 검은깨 분말 가루 국내산 300g 검정깨 블랙푸드 검은콩검은깨환 210g 농업회사법인 주식회사 두손애약초'
  • '국산 냉풍건조 아로니아분말 500g [분말]아로니아분말 500g x 2팩 농업회사법인 청정산들해(주)'
1.0
  • '뚜레반 17곡 미숫가루 1kg B_청정원 홍초 자몽900ml 무한상사'
  • '뚜레반 17곡 미숫가루 1kg C_뚜레반 콩국수용 콩가루850g 무한상사'
  • '뚜레반 17곡 미숫가루A+1kg 주식회사 삼부'
3.0
  • '[대한제분]곰표부침가루1kg / 곰표튀김가루1kg 감사 곰표부침가루1kg 동아식품'
  • '오뚜기 나눔7호 직원 거래처 명절준비 선물세트 제이엔팩토리'
  • '큐원 쫄깃한 참 부침 가루 1kg 가정 업소 호박 파 전 전가네TMG'
6.0
  • '프리미엄 아몬드가루 1kg 95% 아몬드분말 아몬드파우더 프리미엄 아몬드분말(95%) 1kg 대륙유통'
  • '너츠빌 캘리포니아 아몬드 분말 가루 파우더 1kg 아몬드 슬라이스 1kg (주)엠디에프앤'
  • '너츠빌 캘리포니아 아몬드 분말 가루 파우더 1kg 아몬드 분말 100% 1kg (주)엠디에프앤'
8.0
  • '사조해표 찹쌀가루 350g 건우푸드'
  • '사조 해표 찹쌀가루 350g 감자전분 350g 주식회사 더 골든트리'
  • '해표 찹쌀가루 350g-1개 에이치엠몰(HM mall)'
10.0
  • '해표 튀김가루 1kg/부침요리/전 해표 튀김가루 1kg 단비마켓'
  • 'CJ제일제당 백설 치킨 튀김가루 1kg 바름푸드'
  • 'CJ제일제당 백설 튀김가루 1kg 1)튀김가루 태성유통'
4.0
  • '신일 냉동 골드빵가루 2kg (주)우주식품디씨오피'
  • '오뚜기 빵가루 1KG 자취 대용량 식자재 선물 튀김 제사 명절 부침개 간식 하나칭구'
  • '오뚜기 빵가루 200g 이고지고'
2.0
  • '백설 박력밀가루 1kg (박력분) 주식회사 몬즈컴퍼니'
  • '아티장 밀가루 T55 20KG 백설 베이킹스타'
  • '박력밀가루(큐원 1K) 썬샤인웍스'
5.0
  • '[대두식품] 강력쌀가루(국산) 15kg (주)대두식품서울지점'
  • '싸리재 유기농 습식 쌀가루 [ 백미 멥쌀가루 1kg ] 떡만들기 베이킹 비건요리 무염백미찹쌀가루 1kg 농업회사법인콩사랑유한회사'
  • '햇쌀마루 박력쌀가루 3kg 이캔유통'
9.0
  • '뚜레반 날콩가루 1kg (주)울산팡'
  • '복만네 콩국수용 콩가루 850g 05.해늘이볶은콩가루1kg 바른에프에스'
  • '[복만네] 콩국수용 콩가루 850g / 콩국 선식 (주)유영유통'

Evaluation

Metrics

Label Metric
all 0.9630

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("mini1013/master_cate_fd0")
# Run inference
preds = model("CJ제일제당 백설 강력밀가루 2.5kg  둘레푸드")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 4 8.9308 24
Label Training Sample Count
0.0 50
1.0 22
2.0 50
3.0 50
4.0 50
5.0 32
6.0 18
7.0 50
8.0 26
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
0.0143 1 0.4619 -
0.7143 50 0.2999 -
1.4286 100 0.1066 -
2.1429 150 0.0721 -
2.8571 200 0.0457 -
3.5714 250 0.03 -
4.2857 300 0.0045 -
5.0 350 0.002 -
5.7143 400 0.004 -
6.4286 450 0.002 -
7.1429 500 0.0077 -
7.8571 550 0.002 -
8.5714 600 0.006 -
9.2857 650 0.0019 -
10.0 700 0.0001 -
10.7143 750 0.0001 -
11.4286 800 0.0001 -
12.1429 850 0.0 -
12.8571 900 0.0 -
13.5714 950 0.0 -
14.2857 1000 0.0 -
15.0 1050 0.0 -
15.7143 1100 0.0 -
16.4286 1150 0.0 -
17.1429 1200 0.0 -
17.8571 1250 0.0 -
18.5714 1300 0.0 -
19.2857 1350 0.0 -
20.0 1400 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 

@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}
}