README.md

metadata

base_model: klue/roberta-base
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 7 GRAB ME 레드 생로랑 Volupte 리퀴드 컬러 Balm 풀사이즈 B 20대여자 옵션없음 남인터내셔널
  - text: 힐러랩 울트라본드 케라틴 단백질 트리트먼트 500ml 옵션없음 주식회사 와이제이비앤
  - text: 바이오더마 센시비오 클렌징밀크 250ml 옵션없음 주식회사 하이유로
  - text: 에스테티카 데미지 케어 컨센트레이트120ml /헤어오일 에센스 세럼 옵션없음 주식회사 베로유코스메틱
  - text: 브이티코스메틱 VT 리들샷 700 시너지리페어 크림 옵션없음 북극곰마켓
inference: true
model-index:
  - name: SetFit with klue/roberta-base
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.7873765467135884
            name: Accuracy

SetFit with klue/roberta-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses klue/roberta-base 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 Type: SetFit
• Sentence Transformer body: klue/roberta-base
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 512 tokens
• Number of Classes: 13 classes

Model Sources

• Repository: SetFit on GitHub
• Paper: Efficient Few-Shot Learning Without Prompts
• Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
1.0	'태닝키티파츠 TKT-02-08 썬탠키티 5개입 탄 갸루 하와이 비키니 태닝키티파츠 TKT-02-01 5개입 임프주식회사' '지비츠 네일아트 회전 스피너 파츠 부자재 네일 베어링 2.5 사이즈 띠부' '루핀 젤클리너 젤리무버 500ml 아세톤 젤클렌져 루핀젤리무버500ml 신나라닷컴'
7.0	'마담미쉘 알로베라 퓨어 겔 400ml 알로에 99% 수딩젤 옵션없음 달이커머스' '에콜린 비건 밀크 선스크린 50 ml [단품] 비건밀크 선스크린 (18900원) 오가니아(주)' '비욘드 엔젤 아쿠아 보습 장벽 선퀴드 50ml_비건 옵션없음 빈티지브릿지'
12.0	'[르네휘테르]나뚜리아 드라이 샴푸 75ml 나뚜리아 드라이 샴푸 75ml 이로븐' '탑스칼프 헤어토닉 120ml 두피 클리닉 탑스칼프 탈모샴푸 300ml 주식회사휴웰' '케라스타즈 뉴트리티브 마스퀸텐스 리슈 200ml 3474637155001 옵션없음 퓨쳐 디엠 (FUTURE DIEM)'
2.0	'아나프노 근육 통증 스포츠 온열 찜질 마사지 크림 100ml 아나프노크림 100ml x 1개 케이제이미디어' '참존 콘트롤 크림 셀프 마사지 150ml 1개 옵션없음 주식회사 리플레이' '리플로우 파워샷 고주파 마사지 크림 옵션없음 호원'
8.0	'가히 멀티밤 CV 본품 9g 가히 멀티밤 CV 본품 1개 ㈜코리아테크' '프레티 바이옴 콜라겐 아이크림 30ml 20개 옵션없음 건강드림' '르네셀 멀티 펩타이드 토너(재고정리) 옵션없음 숙이네 잡화'
6.0	'1/1+1 스틸 마스카라 내추럴 롱래쉬 볼륨 워터프루프 메탈 마스카라 01 블랙x2 와이우' '딸리까 리포실 압솔뤼 10ml 옵션없음 스루치로 유한책임회사' '디올 어딕트 립 맥시마이저 020 마호가니 옵션없음 스터닝헌팅'
0.0	'비비드쏘울 위치하젤 젠틀 카밍 앰플 마스크 119 10매 비비드쏘울' '알롱 인티메이트 클린저 남성용 청결제 200ml 4개 옵션없음 건강드림' '꽃을든남자 이모션 스킨 옵션없음 테디코스'
4.0	'AHC 아우라 시크릿 톤업 벨벳 35g+10g 2개 AOD_01)35g+10g 2개+쇼핑백 (주)카버코리아' 'KANEBO (가네보) 라이브 리스킨 웨어 핑크 오크르 B1개 (x1) 옵션없음 HaruHaru' '기획상품 애리조 커버 TV스틱 올 추천템 No.5 다크 베이지 핑쇼59'
9.0	'바이오뷰텍 바이오옵틱스 아이크린 리드 클리너 30매 1022127 옵션없음 굿데이' '휴대용 종이비누 33종 (챠리, 큐리아, 효겐, 크럭스) 17_효겐 동물 친구들 피코스 드 코레아' '식물나라 제주 탄산수 퀵 립 앤 아이 리무버 300ml 옵션없음 밀레니엄'
10.0	'장폴고티에 르말 엘릭서 퍼퓸 200ML 옵션없음 비즈앤플랜 주식회사' '인센스홀더향 향꽂이 홀더 물방울 인테리어 인센스 (WD2F3FF) 본상품선택 기타/해당사항 없음' '디퓨저 섬유 리드스틱 화이트 50개입 디퓨저 섬유 옵션없음 '
11.0	'아모스 휘핑 컬리 펌 옵션없음 티비' '과일나라 컨퓸 씨피 헤어 글레이즈 600ml 3개팩 옵션없음 (주)금옥승유통' '[소망] 감자 시스테인 1,2제 각 100ml 옵션없음 희망 미용유통'
5.0	'라이프홀릭 매너 커버 니플 밴드 100p 3개 one option 옵션없음 지엘디' '홈아트 반짝이 빗세트 2P 브러쉬 머리단정 일자빗 옵션없음 제이커머스' '가루 파우더 케이스 30g 노세범 땀띠 파우더 소분 공병 (스푼 ) 30g 선데이베리베스트'
3.0	'몬스터팩토리 샤샤샥 제모 크림 100g 옵션없음 주식회사스피드런' '라끄베르 때밀이 바디필링 살국수 때필링 300ml 1개 옵션없음 제이앤더블유' '꽃보다잠 코사랑크림 유칼립투스오일밤 비염 옵션없음 더 웰리스'

Evaluation

Metrics

Label	Accuracy
all	0.7874

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_item_bt_test")
# Run inference
preds = model("바이오더마 센시비오 클렌징밀크 250ml 옵션없음 주식회사 하이유로")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	9.3971	26

Label	Training Sample Count
0.0	242
1.0	134
2.0	161
3.0	324
4.0	141
5.0	130
6.0	267
7.0	133
8.0	257
9.0	251
10.0	63
11.0	117
12.0	152

Training Hyperparameters

• batch_size: (512, 512)
• num_epochs: (50, 50)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 60
• 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
• l2_weight: 0.01
• seed: 42
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0036	1	0.4112	-
0.1799	50	0.3996	-
0.3597	100	0.3542	-
0.5396	150	0.3073	-
0.7194	200	0.2654	-
0.8993	250	0.2289	-
1.0791	300	0.1949	-
1.2590	350	0.1619	-
1.4388	400	0.1254	-
1.6187	450	0.0899	-
1.7986	500	0.0645	-
1.9784	550	0.0506	-
2.1583	600	0.0403	-
2.3381	650	0.0365	-
2.5180	700	0.0342	-
2.6978	750	0.0329	-
2.8777	800	0.0302	-
3.0576	850	0.0286	-
3.2374	900	0.0272	-
3.4173	950	0.0246	-
3.5971	1000	0.0229	-
3.7770	1050	0.0206	-
3.9568	1100	0.0139	-
4.1367	1150	0.0083	-
4.3165	1200	0.0071	-
4.4964	1250	0.0071	-
4.6763	1300	0.0057	-
4.8561	1350	0.0045	-
5.0360	1400	0.0036	-
5.2158	1450	0.0031	-
5.3957	1500	0.0011	-
5.5755	1550	0.0006	-
5.7554	1600	0.0004	-
5.9353	1650	0.0004	-
6.1151	1700	0.0003	-
6.2950	1750	0.0003	-
6.4748	1800	0.0002	-
6.6547	1850	0.0002	-
6.8345	1900	0.0002	-
7.0144	1950	0.0002	-
7.1942	2000	0.0002	-
7.3741	2050	0.0002	-
7.5540	2100	0.0001	-
7.7338	2150	0.0002	-
7.9137	2200	0.0001	-
8.0935	2250	0.0001	-
8.2734	2300	0.0002	-
8.4532	2350	0.0002	-
8.6331	2400	0.0005	-
8.8129	2450	0.0003	-
8.9928	2500	0.0002	-
9.1727	2550	0.0001	-
9.3525	2600	0.0001	-
9.5324	2650	0.0002	-
9.7122	2700	0.0001	-
9.8921	2750	0.0002	-
10.0719	2800	0.0001	-
10.2518	2850	0.0001	-
10.4317	2900	0.0002	-
10.6115	2950	0.0003	-
10.7914	3000	0.0002	-
10.9712	3050	0.0004	-
11.1511	3100	0.0003	-
11.3309	3150	0.0002	-
11.5108	3200	0.0001	-
11.6906	3250	0.0001	-
11.8705	3300	0.0001	-
12.0504	3350	0.0001	-
12.2302	3400	0.0	-
12.4101	3450	0.0	-
12.5899	3500	0.0001	-
12.7698	3550	0.0001	-
12.9496	3600	0.0003	-
13.1295	3650	0.0002	-
13.3094	3700	0.0002	-
13.4892	3750	0.0004	-
13.6691	3800	0.0002	-
13.8489	3850	0.0001	-
14.0288	3900	0.0001	-
14.2086	3950	0.0002	-
14.3885	4000	0.0001	-
14.5683	4050	0.0001	-
14.7482	4100	0.0	-
14.9281	4150	0.0001	-
15.1079	4200	0.0003	-
15.2878	4250	0.0002	-
15.4676	4300	0.0001	-
15.6475	4350	0.0001	-
15.8273	4400	0.0	-
16.0072	4450	0.0	-
16.1871	4500	0.0	-
16.3669	4550	0.0	-
16.5468	4600	0.0	-
16.7266	4650	0.0	-
16.9065	4700	0.0	-
17.0863	4750	0.0	-
17.2662	4800	0.0001	-
17.4460	4850	0.0	-
17.6259	4900	0.0	-
17.8058	4950	0.0	-
17.9856	5000	0.0002	-
18.1655	5050	0.0002	-
18.3453	5100	0.0002	-
18.5252	5150	0.0005	-
18.7050	5200	0.0001	-
18.8849	5250	0.0	-
19.0647	5300	0.0	-
19.2446	5350	0.0	-
19.4245	5400	0.0	-
19.6043	5450	0.0	-
19.7842	5500	0.0	-
19.9640	5550	0.0001	-
20.1439	5600	0.0	-
20.3237	5650	0.0001	-
20.5036	5700	0.0002	-
20.6835	5750	0.0001	-
20.8633	5800	0.0001	-
21.0432	5850	0.0003	-
21.2230	5900	0.0002	-
21.4029	5950	0.0001	-
21.5827	6000	0.0	-
21.7626	6050	0.0	-
21.9424	6100	0.0	-
22.1223	6150	0.0	-
22.3022	6200	0.0	-
22.4820	6250	0.0	-
22.6619	6300	0.0	-
22.8417	6350	0.0	-
23.0216	6400	0.0	-
23.2014	6450	0.0	-
23.3813	6500	0.0	-
23.5612	6550	0.0	-
23.7410	6600	0.0	-
23.9209	6650	0.0	-
24.1007	6700	0.0	-
24.2806	6750	0.0	-
24.4604	6800	0.0	-
24.6403	6850	0.0	-
24.8201	6900	0.0	-
25.0	6950	0.0	-
25.1799	7000	0.0	-
25.3597	7050	0.0	-
25.5396	7100	0.0	-
25.7194	7150	0.0	-
25.8993	7200	0.0001	-
26.0791	7250	0.0001	-
26.2590	7300	0.0005	-
26.4388	7350	0.0002	-
26.6187	7400	0.0	-
26.7986	7450	0.0	-
26.9784	7500	0.0	-
27.1583	7550	0.0	-
27.3381	7600	0.0	-
27.5180	7650	0.0	-
27.6978	7700	0.0	-
27.8777	7750	0.0002	-
28.0576	7800	0.0001	-
28.2374	7850	0.0001	-
28.4173	7900	0.0	-
28.5971	7950	0.0001	-
28.7770	8000	0.0001	-
28.9568	8050	0.0001	-
29.1367	8100	0.0001	-
29.3165	8150	0.0001	-
29.4964	8200	0.0	-
29.6763	8250	0.0	-
29.8561	8300	0.0	-
30.0360	8350	0.0	-
30.2158	8400	0.0	-
30.3957	8450	0.0	-
30.5755	8500	0.0	-
30.7554	8550	0.0	-
30.9353	8600	0.0	-
31.1151	8650	0.0	-
31.2950	8700	0.0	-
31.4748	8750	0.0	-
31.6547	8800	0.0	-
31.8345	8850	0.0	-
32.0144	8900	0.0	-
32.1942	8950	0.0	-
32.3741	9000	0.0	-
32.5540	9050	0.0	-
32.7338	9100	0.0	-
32.9137	9150	0.0	-
33.0935	9200	0.0	-
33.2734	9250	0.0	-
33.4532	9300	0.0	-
33.6331	9350	0.0	-
33.8129	9400	0.0	-
33.9928	9450	0.0	-
34.1727	9500	0.0	-
34.3525	9550	0.0001	-
34.5324	9600	0.0	-
34.7122	9650	0.0	-
34.8921	9700	0.0	-
35.0719	9750	0.0	-
35.2518	9800	0.0	-
35.4317	9850	0.0001	-
35.6115	9900	0.0	-
35.7914	9950	0.0	-
35.9712	10000	0.0	-
36.1511	10050	0.0	-
36.3309	10100	0.0	-
36.5108	10150	0.0	-
36.6906	10200	0.0	-
36.8705	10250	0.0	-
37.0504	10300	0.0	-
37.2302	10350	0.0	-
37.4101	10400	0.0	-
37.5899	10450	0.0	-
37.7698	10500	0.0	-
37.9496	10550	0.0	-
38.1295	10600	0.0	-
38.3094	10650	0.0	-
38.4892	10700	0.0	-
38.6691	10750	0.0	-
38.8489	10800	0.0	-
39.0288	10850	0.0	-
39.2086	10900	0.0	-
39.3885	10950	0.0	-
39.5683	11000	0.0	-
39.7482	11050	0.0	-
39.9281	11100	0.0	-
40.1079	11150	0.0	-
40.2878	11200	0.0	-
40.4676	11250	0.0	-
40.6475	11300	0.0	-
40.8273	11350	0.0	-
41.0072	11400	0.0	-
41.1871	11450	0.0	-
41.3669	11500	0.0	-
41.5468	11550	0.0	-
41.7266	11600	0.0	-
41.9065	11650	0.0	-
42.0863	11700	0.0	-
42.2662	11750	0.0	-
42.4460	11800	0.0	-
42.6259	11850	0.0	-
42.8058	11900	0.0	-
42.9856	11950	0.0	-
43.1655	12000	0.0	-
43.3453	12050	0.0	-
43.5252	12100	0.0	-
43.7050	12150	0.0	-
43.8849	12200	0.0	-
44.0647	12250	0.0	-
44.2446	12300	0.0	-
44.4245	12350	0.0	-
44.6043	12400	0.0	-
44.7842	12450	0.0	-
44.9640	12500	0.0	-
45.1439	12550	0.0	-
45.3237	12600	0.0	-
45.5036	12650	0.0	-
45.6835	12700	0.0	-
45.8633	12750	0.0	-
46.0432	12800	0.0	-
46.2230	12850	0.0	-
46.4029	12900	0.0	-
46.5827	12950	0.0	-
46.7626	13000	0.0	-
46.9424	13050	0.0	-
47.1223	13100	0.0	-
47.3022	13150	0.0	-
47.4820	13200	0.0	-
47.6619	13250	0.0	-
47.8417	13300	0.0	-
48.0216	13350	0.0	-
48.2014	13400	0.0	-
48.3813	13450	0.0	-
48.5612	13500	0.0	-
48.7410	13550	0.0	-
48.9209	13600	0.0	-
49.1007	13650	0.0	-
49.2806	13700	0.0	-
49.4604	13750	0.0	-
49.6403	13800	0.0	-
49.8201	13850	0.0	-
50.0	13900	0.0	-

Framework Versions

• Python: 3.10.12
• SetFit: 1.1.0
• Sentence Transformers: 3.3.1
• Transformers: 4.44.2
• PyTorch: 2.2.0a0+81ea7a4
• Datasets: 3.2.0
• Tokenizers: 0.19.1

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}
}