SetFit with kinit/slovakbert-sentiment-twitter
This is a SetFit model that can be used for Text Classification. This SetFit model uses kinit/slovakbert-sentiment-twitter 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:
- Fine-tuning a Sentence Transformer with contrastive learning.
- Training a classification head with features from the fine-tuned Sentence Transformer.
Model Details
Model Description
Model Sources
Model Labels
Label |
Examples |
0 |
- 'Predmet bol fajn, zaujimavy, akurat bolo malo prilezitosti ziskat body za prezentacie.'
- 'Great.'
- 'Zaujímavý, konceptuálne náročný predmet. Objavuje sa tu všeličo z iných predmetov. Najskôr sa preberie záver a zvyšok semestra sa študenti k tomu dopracovávajú. Predmet nie je rozdelený na prednášky a cvičenia. Na hodinách však musia študenti veľa pracovať, často treba niečo odvodiť overiť alebo vypočitať príklad a tiež sa diskutuje. Tento spôsob učenia považujem za účinný - z prednášok som odchádzal s tým, že som sa niečo nové naučil a rozumiem tomu. K dispozícii sú skriptá, ktoré pomôžu vyjasniť prípadné nezrovnalosti a pri učení sa na skúšku.'
|
-1 |
- 'Bolo by dobré, keby sa zadávali témy prác pred letnými prázdninami. Tento semester bol dosť náročný, takže sme nemali čas pracovať na bakalárkach.'
- 'Na začiatku semestra vynechať trochu s počtu hodín venovaným OS Linuxu a práci s jeho konzolou.'
- 'Zaujimavy predmet,dobre prednasany, kvalitne skripta, no chybaju mu cvicenia.'
|
1 |
- 'Predmet bol narocny, ale bez dobrovolnych cviceni z algebry by bol podla mna kazdy student este viac zmateny, nepochopil by uplne prebranu temu.'
- 'Pravidla na praktickych cviceniach sa stale menili. Najprv boli cvicenia povinne, zrazu boli dobrovolne, niekolkokrat sa menil system odovzdavania uloh, nakoniec ani ten povinny projekt nebol uz povinny, ked som ho zacal kodit. Prakticke cvicenia su strata casu, urcene pre ludi co "kodia" stylom opisem to z tabule. Clovek co vie programovat (co by 4taci mali vediet vsetci) to zvladne v pohode aj bez nich.'
- 'Prvy problem nastal takmer okamzite, ked sa na zaciatku menili pravidla. Po dovysvetlovani podmienok sa ustalili a (az na praktocke cvicenia) nemenili. Nastastie ak sa najde nieco, comu nepochopite na prednaske, na cviceniach vam to ochotne vysvetlia. Hlavnym problemom tohto predmetu je extremna casova narocnost vzhladom na pocet kreditov. Z pociatku boli pivinne 2*2h cvicenia tyzdenne + prednaska, pricom cvicenia museli byt so 100% ucastou. Tiez nepotesi ze okrem midtermu a final testu, ide student este na jednu pisomnu a ustnu cast....'
|
Evaluation
Metrics
Label |
Accuracy |
all |
0.6830 |
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
model = SetFitModel.from_pretrained("pEpOo/setfit-model-24-3")
preds = model("Veľmi zaujímavé, zrozumiteľne podané a niekedy aj vtipné:)")
Training Details
Training Set Metrics
Training set |
Min |
Median |
Max |
Word count |
1 |
41.9167 |
128 |
Label |
Training Sample Count |
-1 |
8 |
0 |
8 |
1 |
0 |
Training Hyperparameters
- batch_size: (16, 16)
- num_epochs: (10, 10)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 10
- 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 |
0.0333 |
1 |
0.3101 |
- |
1.6667 |
50 |
0.0032 |
- |
3.3333 |
100 |
0.0012 |
- |
5.0 |
150 |
0.0004 |
- |
6.6667 |
200 |
0.0002 |
- |
8.3333 |
250 |
0.0003 |
- |
10.0 |
300 |
0.0002 |
- |
Framework Versions
- Python: 3.11.0
- SetFit: 1.0.3
- Sentence Transformers: 2.5.1
- Transformers: 4.38.2
- PyTorch: 2.2.1+cu121
- Datasets: 2.18.0
- Tokenizers: 0.15.2
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}
}