Hugging Face's logo

mini1013
/
master_cate_lh16

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh16 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
a94e850 verified
preview code
|
raw
history blame contribute delete
12.3 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: 핸드자키 미니 전기 지게차 트럭 스태커 1 톤 15 1500kg 용량 4 륜  피치본
  - text: 영원/욕창방지 에어 매트리스/MARK-II GREEN  향누리
  - text: 지팡이의자 어르신 노인 휴대용 경량 접이식 스틱 지팡이 의자 미끄럼 방지 스틱 스툴 스카이 블루 업그레이드 145-18 매니몰
  - text: 오토바이 휠체어 경사로 계단 안전발판 상가 문턱 진입판 DO.높이 7.2cm 고무 에스제이몰
  - text: 고품질 장애인 화장실 손잡이 안전바 변기 안전손잡이 노인 화장실안전바 안전바(화이트 30cm) 우주방위사령부
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: 0.880607050235328
            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
6.0
  • '가하 영원메디칼 욕창 클리어뷰 에어매트 요양병원침대매트 KH-1 AD1200 메디트리'
  • '삼각 베개 욕창방지 자세변환용구 복지용구 실버용품 SW-J3 일반구매 (장기요양등급 대상자가 아닌 경우) 케이에이치라이프(KHLife)'
  • '[복지용구]자세변환용구 젤패드 LBP-01 본인부담율15% 우리의료기'
3.0
  • '샤이닝 DS-EX 프로 3D 레이저 구강 스캐너, 휴대용 이어몰드 보청기 01 DS-EX pro 로얄트레이딩'
  • '골전도보청기 노인 귀걸이형 블루투스 보청기 증폭기 1_레드 손소독제'
  • '일본 리오네트 포켓형 보청기 HA-20DX 이화메디케어(보청기)'
4.0
  • '청려장 노인 지팡이 목발 나무 걷기보조기구 선물 M 직구202'
  • '노인용지팡이 연수목 도사 나무 우드 목재 지팡이 A타입 88cm 한발(165-175사용)4발판 지금상점'
  • '세비앙 CV100 안전손잡이 봉형 기둥형 안전바 천정 부착식 봉 안전봉 노인복지용구 일반구매 (A+) 늘찬 복지용구'
7.0
  • '납골당 봉안당 소품 미니어쳐 강아지 꾸미기 JXK치와와 2034C(그레이) 하니준한진'
  • '국산 보자기 유골 흰색 함보 흰보자기 유골함 흰색보자기 블루매거진'
  • '애견유골함 도자기 납골함 꽃 세라믹 진공 밀폐 수국 - 삼원병 영맨'
2.0
  • '공사장 화장실 현장용 이동식 화징실 휴게소 캠핑장 샤워가 있는 1.1x1.1x2.3 직선 행 차이엘리'
  • '이동식 샤워실 간이화장실 건설현장 조립식 야외 임시 거름 상자 포함 1.1x1.1x2.3 마구팜'
  • '화장실 변기안전손잡이 MSH-103 좌변기 보조대 지지대 양변기 안전바 노인 복지용구 고급형 부식방지 MSH-502(스테인리스)_노인장기요양등급 구입(본인부담금 6%) (A+) 늘찬 복지용구'
1.0
  • '헤어 워시 접이식 바스켓 CareFree H-1004 핑크 블루 미루카'
  • '손목보호대 커버 샤워 깁스 통깁스 붕대 보호대 방수포 상품선택_발목 제이프로젝트'
  • 'CareFree H-1004 헤어 워시 접이식 바스켓 핑크 블루 (주)이마켓'
0.0
  • 'Coms 납땜 LED 확대경 스탠드 2LED OE792 마트천'
  • '독서 확대경 스탠드 LED 조명 대형 돋보기 확대기 제이티컴퍼니'
  • '오토스 OTOS 용접확대경(돋보기) 산업안전용품 안전용품 안면보호구 용접용품 2.50 스위치컴퍼니'
5.0
  • '할머니유모차 노인 어르신 성인용 보행기 보행보조기 실버카 DS-379 DS-800 PLUS 800 (주)메디위'
  • '살졸 보행기 카본 롤레이터 노인 보행보조기 환자용 워커 할머니 워커기 어른유모차 복지용구 그린_미디움( 신장 : 170cm~200cm)_노인장기요양등급 구매(본인부담금 15%) (A+) 늘찬 복지용구'
  • '태양메디텍 해피웰리스 보행보조차 F-338 메디위'
8.0
  • '족욕통 정맥류 정맥 치료 적인 완화 혈관염 정맥염 거미줄 통증 05 Buy 10 get 13 free 율리시에'
  • '휠체어 바퀴 베어링 타이어 부품 22인치 교체 수동 22인치 (솔리드 타이어) - 그레이 하나누리'
  • '머리 받침 베개 노인 목받침대 환자 쿠션 악세사리 휠체어 헤드레스트 이동식 1. 블랙 패스트커머스'

Evaluation

Metrics

Label Metric
all 0.8806

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_lh16")
# Run inference
preds = model("영원/욕창방지 에어 매트리스/MARK-II GREEN  향누리")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 10.4333 21
Label Training Sample Count
0.0 50
1.0 50
2.0 50
3.0 50
4.0 50
5.0 50
6.0 50
7.0 50
8.0 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
0.0141 1 0.4502 -
0.7042 50 0.3154 -
1.4085 100 0.0837 -
2.1127 150 0.0399 -
2.8169 200 0.0081 -
3.5211 250 0.0057 -
4.2254 300 0.0003 -
4.9296 350 0.0002 -
5.6338 400 0.0001 -
6.3380 450 0.0002 -
7.0423 500 0.0001 -
7.7465 550 0.0001 -
8.4507 600 0.0001 -
9.1549 650 0.0001 -
9.8592 700 0.0001 -
10.5634 750 0.0 -
11.2676 800 0.0001 -
11.9718 850 0.0 -
12.6761 900 0.0 -
13.3803 950 0.0 -
14.0845 1000 0.0001 -
14.7887 1050 0.0 -
15.4930 1100 0.0 -
16.1972 1150 0.0 -
16.9014 1200 0.0 -
17.6056 1250 0.0 -
18.3099 1300 0.0 -
19.0141 1350 0.0 -
19.7183 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}
}