Hugging Face's logo

mini1013
/
master_cate_lh21

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_lh21 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
3c5d900 verified
preview code
|
raw
history blame contribute delete
10.7 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: 폭스밸리 프리미엄 자세교정밴드 말린 어깨 목 굽은등 라운드숄더 일자 바른 체형 교정기 M+L 폭스밸리
  - text: 올그린 무릎 보조기 MCL 니케이지 인대 연골 보호대 수술후 의료용 니케이지_블루_XL 올그린
  - text: 통풍형 목보호대 쿨링 경추 목디스크 목쿠션 거북목 여성용 hilala115
  - text: THEPURE 목보호대 거북목 자세교정기 보조기 지지대 봄여름가을겨울 02. UIS-03_S 48CM 선셋
  - text: 필라델피아 목보호대 SM-001 사이즈선택 경추보호대 릴렉스 목해먹 목스트레칭 목견인기 일자목 디아
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: 0.8887880986937591
            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
  • '반깁스 반기브스 다리보조기 골절 다리 수술 고정 오른발 ㅡ 기본 모델 올바른해외직구샵'
  • '아오스 의료용 무릎보호대 124 MCL [0002]S 왼쪽용 CJONSTYLE'
  • '원코어 발보조기 끌림방지 보호대 재활 장비 발목보조기 발지지대 왼발_L 키위프'
2.0
  • '이화 밸포밴드 팔걸이 견지대 성인용 21061458 M 비앤비(best & BEST)'
  • '허리보조기 허리 척추 보호 의료용 AOS-460 여_XXL 링쿠'
  • '울트라슬링 어깨보호대 팔걸이 어깨수술 울트라실링 팔깁스 K 타입 디엘아이'
5.0
  • '전동기립기 하반신 경사 스탠딩 편마비 침대 보조기 수동 높이 조절 + 사륜 + 식탁 쇼핑의품격001'
  • '물리치료기계 재활기 가정용 근육 도수 허리 승모근 단일 모델 에오인'
  • '환자 전동 침대 의료용 가정용 병원 전동기립기 보조 화이트 97cmx45cmx202cm 연림스토어'
0.0
  • '미제 재활 고무찰흙 퓨티 (살색/노랑/빨강/초록/파랑) 초록 텔레그라프'
  • '손가락 재활 장갑 편마비 손재활 운동 로봇 기구 주황색 미러링된 왼손 M 구구상회'
  • '건강누리 말렛핑거스프린트 리필(Mallet Finger Splint Refill) 오픈형7호 단위:팩(5개) (주)엠디오씨'
4.0
  • '통증바이 남녀공용 바른 자세밴드 3XL (허리둘레 ... 1개 XL (허리둘레 30~32인치) × 1개 이위에'
  • '굽은어깨 굽은등 어깨 허리 바른 자세 밴드 라운드숄더 펴주는 XXXL 아이엠어굿맨'
  • '(발음교정기 돌돌이) 스카이블루 학생용 영어 국어 발음연습 발음교정 하드(스카이블루) (주)애니덴'
1.0
  • '의료기기 넥가디언 거북목 디스크 교정기 쿠션형 견인기 단독 (밤색) 852헤르츠'
  • '바른 목 미라클 고급형 보호대 밴드 젬마줌마'
  • '[OFLP1Q84]허리E UP 통기성 에어메디칼 견인요 S 27인치이하／FREE sellerhub'
3.0
  • '도고 렉스타 허벅지형 205 압박용밴드 의료용 압박스타킹 혈액순환 다리붓기 개선 의료기기 중압 (4)265발트임_살색_XL (주)도고메디칼'
  • '[GIN383R]종아리 압박밴드 스타킹 다리 간호사 수면 관리 블랙／FREE sellerhub'
  • 'Duomed Advantage, 15-20 mmHg, 종아리 높이, 오픈 토 Small_Almond 수 스토리(SU STORY)'

Evaluation

Metrics

Label Metric
all 0.8888

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_lh21")
# Run inference
preds = model("통풍형 목보호대 쿨링 경추 목디스크 목쿠션 거북목 여성용 hilala115")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 9.96 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

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
0.0182 1 0.4265 -
0.9091 50 0.3097 -
1.8182 100 0.0765 -
2.7273 150 0.0638 -
3.6364 200 0.0434 -
4.5455 250 0.0035 -
5.4545 300 0.0002 -
6.3636 350 0.0001 -
7.2727 400 0.0001 -
8.1818 450 0.0001 -
9.0909 500 0.0001 -
10.0 550 0.0001 -
10.9091 600 0.0001 -
11.8182 650 0.0001 -
12.7273 700 0.0001 -
13.6364 750 0.0001 -
14.5455 800 0.0001 -
15.4545 850 0.0001 -
16.3636 900 0.0 -
17.2727 950 0.0 -
18.1818 1000 0.0 -
19.0909 1050 0.0001 -
20.0 1100 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}
}