Hugging Face's logo

zeroix07
/
indo-setfit-absa-model-aspect

Text Classification
setfit
Safetensors
sentence-transformers
bert
absa
generated_from_setfit_trainer
Eval Results
Model card Files Community
Edit model card

SetFit Aspect Model

This is a SetFit model that can be used for Aspect Based Sentiment Analysis (ABSA). A LogisticRegression instance is used for classification. In particular, this model is in charge of filtering aspect span candidates.

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.

This model was trained within the context of a larger system for ABSA, which looks like so:

  1. Use a spaCy model to select possible aspect span candidates.
  2. Use this SetFit model to filter these possible aspect span candidates.
  3. Use a SetFit model to classify the filtered aspect span candidates.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
aspect
  • 'makanannya:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'
  • 'makanannya:makanannya benar-benar luar biasa, dengan dapur yang sangat mumpuni yang dengan bangga akan menyiapkan apa pun yang Anda ingin makan, baik itu ada di menu atau tidak.'
  • 'dapur:makanannya benar-benar luar biasa, dengan dapur yang sangat mumpuni yang dengan bangga akan menyiapkan apa pun yang Anda ingin makan, baik itu ada di menu atau tidak.'
no aspect
  • 'faktor penebusan:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'
  • 'atas:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'
  • 'kekurangan Teodora:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'

Evaluation

Metrics

Label Accuracy
all 0.7837

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 AbsaModel

# Download from the 🤗 Hub
model = AbsaModel.from_pretrained(
    "zeroix07/indo-setfit-absa-model-aspect",
    "zeroix07/indo-setfit-absa-model-polarity",
)
# Run inference
preds = model("The food was great, but the venue is just way too busy.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 17.4396 40
Label Training Sample Count
no aspect 415
aspect 181

Training Hyperparameters

  • batch_size: (6, 6)
  • num_epochs: (1, 16)
  • max_steps: -1
  • sampling_strategy: oversampling
  • 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: True
  • warmup_proportion: 0.1
  • seed: 42
  • eval_max_steps: -1
  • load_best_model_at_end: False

Training Results

Epoch Step Training Loss Validation Loss
0.0000 1 0.2509 -
0.0015 50 0.1002 -
0.0029 100 0.2166 -
0.0044 150 0.1083 -
0.0058 200 0.2008 -
0.0073 250 0.2292 -
0.0088 300 0.1745 -
0.0102 350 0.207 -
0.0117 400 0.0432 -
0.0131 450 0.0122 -
0.0146 500 0.0318 -
0.0161 550 0.0037 -
0.0175 600 0.0065 -
0.0190 650 0.0401 -
0.0204 700 0.0015 -
0.0219 750 0.0043 -
0.0233 800 0.0968 -
0.0248 850 0.1695 -
0.0263 900 0.0037 -
0.0277 950 0.001 -
0.0292 1000 0.0041 -
0.0306 1050 0.0009 -
0.0321 1100 0.0025 -
0.0336 1150 0.0015 -
0.0350 1200 0.0763 -
0.0365 1250 0.2008 -
0.0379 1300 0.0015 -
0.0394 1350 0.0766 -
0.0409 1400 0.2491 -
0.0423 1450 0.1411 -
0.0438 1500 0.0007 -
0.0452 1550 0.0057 -
0.0467 1600 0.0007 -
0.0482 1650 0.1603 -
0.0496 1700 0.0006 -
0.0511 1750 0.0019 -
0.0525 1800 0.0005 -
0.0540 1850 0.0005 -
0.0555 1900 0.2637 -
0.0569 1950 0.0011 -
0.0584 2000 0.0008 -
0.0598 2050 0.0017 -
0.0613 2100 0.0005 -
0.0627 2150 0.0002 -
0.0642 2200 0.0766 -
0.0657 2250 0.0001 -
0.0671 2300 0.0002 -
0.0686 2350 0.0023 -
0.0700 2400 0.0001 -
0.0715 2450 0.0122 -
0.0730 2500 0.001 -
0.0744 2550 0.0006 -
0.0759 2600 0.0056 -
0.0773 2650 0.0022 -
0.0788 2700 0.0002 -
0.0803 2750 0.0213 -
0.0817 2800 0.047 -
0.0832 2850 0.0002 -
0.0846 2900 0.0135 -
0.0861 2950 0.0473 -
0.0876 3000 0.0003 -
0.0890 3050 0.0078 -
0.0905 3100 0.0001 -
0.0919 3150 0.0002 -
0.0934 3200 0.008 -
0.0949 3250 0.0005 -
0.0963 3300 0.0002 -
0.0978 3350 0.0062 -
0.0992 3400 0.0002 -
0.1007 3450 0.0002 -
0.1021 3500 0.0007 -
0.1036 3550 0.0017 -
0.1051 3600 0.1652 -
0.1065 3650 0.0011 -
0.1080 3700 0.0 -
0.1094 3750 0.0003 -
0.1109 3800 0.0007 -
0.1124 3850 0.0006 -
0.1138 3900 0.0001 -
0.1153 3950 0.002 -
0.1167 4000 0.0001 -
0.1182 4050 0.0004 -
0.1197 4100 0.0003 -
0.1211 4150 0.0295 -
0.1226 4200 0.0012 -
0.1240 4250 0.0004 -
0.1255 4300 0.0003 -
0.1270 4350 0.0364 -
0.1284 4400 0.042 -
0.1299 4450 0.0 -
0.1313 4500 0.0 -
0.1328 4550 0.0001 -
0.1343 4600 0.0159 -
0.1357 4650 0.0001 -
0.1372 4700 0.0 -
0.1386 4750 0.0004 -
0.1401 4800 0.0409 -
0.1415 4850 0.0411 -
0.1430 4900 0.0001 -
0.1445 4950 0.0002 -
0.1459 5000 0.0 -
0.1474 5050 0.1251 -
0.1488 5100 0.0 -
0.1503 5150 0.0001 -
0.1518 5200 0.0 -
0.1532 5250 0.0 -
0.1547 5300 0.0466 -
0.1561 5350 0.0 -
0.1576 5400 0.0001 -
0.1591 5450 0.0 -
0.1605 5500 0.0254 -
0.1620 5550 0.0001 -
0.1634 5600 0.0002 -
0.1649 5650 0.0 -
0.1664 5700 0.0264 -
0.1678 5750 0.0006 -
0.1693 5800 0.0001 -
0.1707 5850 0.0022 -
0.1722 5900 0.0011 -
0.1737 5950 0.1395 -
0.1751 6000 0.0169 -
0.1766 6050 0.0043 -
0.1780 6100 0.1513 -
0.1795 6150 0.0001 -
0.1809 6200 0.0008 -
0.1824 6250 0.0 -
0.1839 6300 0.0009 -
0.1853 6350 0.0002 -
0.1868 6400 0.0001 -
0.1882 6450 0.0002 -
0.1897 6500 0.0534 -
0.1912 6550 0.0002 -
0.1926 6600 0.0001 -
0.1941 6650 0.0007 -
0.1955 6700 0.1641 -
0.1970 6750 0.0001 -
0.1985 6800 0.0012 -
0.1999 6850 0.0035 -
0.2014 6900 0.0006 -
0.2028 6950 0.0001 -
0.2043 7000 0.0107 -
0.2058 7050 0.0001 -
0.2072 7100 0.0028 -
0.2087 7150 0.0004 -
0.2101 7200 0.0 -
0.2116 7250 0.0866 -
0.2131 7300 0.0 -
0.2145 7350 0.0001 -
0.2160 7400 0.0 -
0.2174 7450 0.0 -
0.2189 7500 0.0001 -
0.2203 7550 0.0 -
0.2218 7600 0.0001 -
0.2233 7650 0.0001 -
0.2247 7700 0.0 -
0.2262 7750 0.0532 -
0.2276 7800 0.0 -
0.2291 7850 0.0611 -
0.2306 7900 0.0001 -
0.2320 7950 0.0 -
0.2335 8000 0.0001 -
0.2349 8050 0.0 -
0.2364 8100 0.0 -
0.2379 8150 0.0 -
0.2393 8200 0.0304 -
0.2408 8250 0.0 -
0.2422 8300 0.0253 -
0.2437 8350 0.0 -
0.2452 8400 0.0 -
0.2466 8450 0.0 -
0.2481 8500 0.0173 -
0.2495 8550 0.0002 -
0.2510 8600 0.0003 -
0.2525 8650 0.0012 -
0.2539 8700 0.1639 -
0.2554 8750 0.0308 -
0.2568 8800 0.0 -
0.2583 8850 0.0 -
0.2597 8900 0.068 -
0.2612 8950 0.0001 -
0.2627 9000 0.0001 -
0.2641 9050 0.0 -
0.2656 9100 0.0734 -
0.2670 9150 0.0002 -
0.2685 9200 0.0 -
0.2700 9250 0.0244 -
0.2714 9300 0.1642 -
0.2729 9350 0.326 -
0.2743 9400 0.0023 -
0.2758 9450 0.1533 -
0.2773 9500 0.0003 -
0.2787 9550 0.0005 -
0.2802 9600 0.0005 -
0.2816 9650 0.0003 -
0.2831 9700 0.0001 -
0.2846 9750 0.0001 -
0.2860 9800 0.0003 -
0.2875 9850 0.0008 -
0.2889 9900 0.1625 -
0.2904 9950 0.0011 -
0.2919 10000 0.037 -
0.2933 10050 0.0006 -
0.2948 10100 0.0006 -
0.2962 10150 0.0001 -
0.2977 10200 0.0002 -
0.2991 10250 0.0149 -
0.3006 10300 0.0 -
0.3021 10350 0.0 -
0.3035 10400 0.0 -
0.3050 10450 0.0 -
0.3064 10500 0.0 -
0.3079 10550 0.0 -
0.3094 10600 0.0 -
0.3108 10650 0.0001 -
0.3123 10700 0.0932 -
0.3137 10750 0.0 -
0.3152 10800 0.0 -
0.3167 10850 0.0 -
0.3181 10900 0.0 -
0.3196 10950 0.0 -
0.3210 11000 0.0004 -
0.3225 11050 0.0 -
0.3240 11100 0.0 -
0.3254 11150 0.0 -
0.3269 11200 0.0228 -
0.3283 11250 0.0 -
0.3298 11300 0.0263 -
0.3313 11350 0.0001 -
0.3327 11400 0.0218 -
0.3342 11450 0.0 -
0.3356 11500 0.0826 -
0.3371 11550 0.0 -
0.3385 11600 0.0 -
0.3400 11650 0.0 -
0.3415 11700 0.0 -
0.3429 11750 0.0002 -
0.3444 11800 0.0 -
0.3458 11850 0.0001 -
0.3473 11900 0.0 -
0.3488 11950 0.0 -
0.3502 12000 0.0 -
0.3517 12050 0.0 -
0.3531 12100 0.0563 -
0.3546 12150 0.0 -
0.3561 12200 0.0384 -
0.3575 12250 0.0002 -
0.3590 12300 0.0352 -
0.3604 12350 0.0003 -
0.3619 12400 0.0001 -
0.3634 12450 0.0003 -
0.3648 12500 0.0 -
0.3663 12550 0.0003 -
0.3677 12600 0.0 -
0.3692 12650 0.0 -
0.3707 12700 0.0002 -
0.3721 12750 0.0002 -
0.3736 12800 0.0 -
0.3750 12850 0.0 -
0.3765 12900 0.0 -
0.3779 12950 0.0 -
0.3794 13000 0.0 -
0.3809 13050 0.0141 -
0.3823 13100 0.0 -
0.3838 13150 0.1085 -
0.3852 13200 0.0 -
0.3867 13250 0.0006 -
0.3882 13300 0.0778 -
0.3896 13350 0.0003 -
0.3911 13400 0.0001 -
0.3925 13450 0.0 -
0.3940 13500 0.0001 -
0.3955 13550 0.0 -
0.3969 13600 0.0001 -
0.3984 13650 0.0 -
0.3998 13700 0.0086 -
0.4013 13750 0.0079 -
0.4028 13800 0.0001 -
0.4042 13850 0.0001 -
0.4057 13900 0.084 -
0.4071 13950 0.0003 -
0.4086 14000 0.0004 -
0.4101 14050 0.0053 -
0.4115 14100 0.0 -
0.4130 14150 0.0008 -
0.4144 14200 0.1477 -
0.4159 14250 0.0 -
0.4173 14300 0.0017 -
0.4188 14350 0.0 -
0.4203 14400 0.0001 -
0.4217 14450 0.0414 -
0.4232 14500 0.0 -
0.4246 14550 0.0002 -
0.4261 14600 0.0627 -
0.4276 14650 0.1112 -
0.4290 14700 0.0 -
0.4305 14750 0.0002 -
0.4319 14800 0.0002 -
0.4334 14850 0.0393 -
0.4349 14900 0.0 -
0.4363 14950 0.0 -
0.4378 15000 0.0003 -
0.4392 15050 0.0001 -
0.4407 15100 0.0005 -
0.4422 15150 0.0009 -
0.4436 15200 0.0001 -
0.4451 15250 0.0001 -
0.4465 15300 0.0212 -
0.4480 15350 0.0 -
0.4495 15400 0.0 -
0.4509 15450 0.0 -
0.4524 15500 0.0 -
0.4538 15550 0.05 -
0.4553 15600 0.0 -
0.4567 15650 0.028 -
0.4582 15700 0.0001 -
0.4597 15750 0.0 -
0.4611 15800 0.0 -
0.4626 15850 0.0 -
0.4640 15900 0.0 -
0.4655 15950 0.043 -
0.4670 16000 0.0363 -
0.4684 16050 0.0 -
0.4699 16100 0.054 -
0.4713 16150 0.0 -
0.4728 16200 0.0 -
0.4743 16250 0.0 -
0.4757 16300 0.0 -
0.4772 16350 0.1 -
0.4786 16400 0.0001 -
0.4801 16450 0.0001 -
0.4816 16500 0.0 -
0.4830 16550 0.0267 -
0.4845 16600 0.0361 -
0.4859 16650 0.0 -
0.4874 16700 0.0181 -
0.4889 16750 0.0 -
0.4903 16800 0.0382 -
0.4918 16850 0.0276 -
0.4932 16900 0.0 -
0.4947 16950 0.0345 -
0.4961 17000 0.0 -
0.4976 17050 0.0 -
0.4991 17100 0.0 -
0.5005 17150 0.0 -
0.5020 17200 0.0 -
0.5034 17250 0.0 -
0.5049 17300 0.0001 -
0.5064 17350 0.0 -
0.5078 17400 0.0 -
0.5093 17450 0.0004 -
0.5107 17500 0.071 -
0.5122 17550 0.0 -
0.5137 17600 0.0 -
0.5151 17650 0.0 -
0.5166 17700 0.0239 -
0.5180 17750 0.0 -
0.5195 17800 0.0 -
0.5210 17850 0.0 -
0.5224 17900 0.0 -
0.5239 17950 0.0 -
0.5253 18000 0.0 -
0.5268 18050 0.0 -
0.5283 18100 0.0 -
0.5297 18150 0.0 -
0.5312 18200 0.0001 -
0.5326 18250 0.0 -
0.5341 18300 0.0 -
0.5355 18350 0.064 -
0.5370 18400 0.0 -
0.5385 18450 0.0 -
0.5399 18500 0.0 -
0.5414 18550 0.0499 -
0.5428 18600 0.0001 -
0.5443 18650 0.0 -
0.5458 18700 0.0 -
0.5472 18750 0.0002 -
0.5487 18800 0.0964 -
0.5501 18850 0.0 -
0.5516 18900 0.0 -
0.5531 18950 0.0 -
0.5545 19000 0.0 -
0.5560 19050 0.0001 -
0.5574 19100 0.0 -
0.5589 19150 0.0 -
0.5604 19200 0.0556 -
0.5618 19250 0.0715 -
0.5633 19300 0.0004 -
0.5647 19350 0.0 -
0.5662 19400 0.0 -
0.5677 19450 0.0 -
0.5691 19500 0.0001 -
0.5706 19550 0.0 -
0.5720 19600 0.0446 -
0.5735 19650 0.0 -
0.5749 19700 0.0 -
0.5764 19750 0.0 -
0.5779 19800 0.0324 -
0.5793 19850 0.0001 -
0.5808 19900 0.0001 -
0.5822 19950 0.0 -
0.5837 20000 0.0 -
0.5852 20050 0.0 -
0.5866 20100 0.0429 -
0.5881 20150 0.0 -
0.5895 20200 0.0 -
0.5910 20250 0.0 -
0.5925 20300 0.0 -
0.5939 20350 0.0 -
0.5954 20400 0.0 -
0.5968 20450 0.0214 -
0.5983 20500 0.0 -
0.5998 20550 0.0 -
0.6012 20600 0.0 -
0.6027 20650 0.0 -
0.6041 20700 0.0 -
0.6056 20750 0.0 -
0.6071 20800 0.0 -
0.6085 20850 0.0 -
0.6100 20900 0.0 -
0.6114 20950 0.0001 -
0.6129 21000 0.0 -
0.6143 21050 0.0 -
0.6158 21100 0.0 -
0.6173 21150 0.0 -
0.6187 21200 0.0 -
0.6202 21250 0.0 -
0.6216 21300 0.0402 -
0.6231 21350 0.0603 -
0.6246 21400 0.0 -
0.6260 21450 0.0 -
0.6275 21500 0.0 -
0.6289 21550 0.0 -
0.6304 21600 0.0 -
0.6319 21650 0.0238 -
0.6333 21700 0.0187 -
0.6348 21750 0.0 -
0.6362 21800 0.0 -
0.6377 21850 0.0 -
0.6392 21900 0.0325 -
0.6406 21950 0.0 -
0.6421 22000 0.0 -
0.6435 22050 0.0361 -
0.6450 22100 0.0 -
0.6465 22150 0.0853 -
0.6479 22200 0.0 -
0.6494 22250 0.0 -
0.6508 22300 0.0 -
0.6523 22350 0.0 -
0.6537 22400 0.0649 -
0.6552 22450 0.0 -
0.6567 22500 0.0 -
0.6581 22550 0.0 -
0.6596 22600 0.0 -
0.6610 22650 0.0 -
0.6625 22700 0.0 -
0.6640 22750 0.0 -
0.6654 22800 0.0 -
0.6669 22850 0.0382 -
0.6683 22900 0.0 -
0.6698 22950 0.0 -
0.6713 23000 0.0 -
0.6727 23050 0.0 -
0.6742 23100 0.0 -
0.6756 23150 0.0 -
0.6771 23200 0.0001 -
0.6786 23250 0.0458 -
0.6800 23300 0.0 -
0.6815 23350 0.0 -
0.6829 23400 0.0 -
0.6844 23450 0.0 -
0.6859 23500 0.0 -
0.6873 23550 0.0 -
0.6888 23600 0.044 -
0.6902 23650 0.0 -
0.6917 23700 0.0406 -
0.6931 23750 0.0 -
0.6946 23800 0.0318 -
0.6961 23850 0.0306 -
0.6975 23900 0.077 -
0.6990 23950 0.0194 -
0.7004 24000 0.0 -
0.7019 24050 0.0 -
0.7034 24100 0.0 -
0.7048 24150 0.0 -
0.7063 24200 0.0 -
0.7077 24250 0.0 -
0.7092 24300 0.0 -
0.7107 24350 0.0521 -
0.7121 24400 0.0 -
0.7136 24450 0.0 -
0.7150 24500 0.0 -
0.7165 24550 0.0 -
0.7180 24600 0.0 -
0.7194 24650 0.0 -
0.7209 24700 0.0 -
0.7223 24750 0.0518 -
0.7238 24800 0.0 -
0.7253 24850 0.0 -
0.7267 24900 0.0475 -
0.7282 24950 0.0 -
0.7296 25000 0.0 -
0.7311 25050 0.0374 -
0.7325 25100 0.0 -
0.7340 25150 0.0 -
0.7355 25200 0.0345 -
0.7369 25250 0.0 -
0.7384 25300 0.0 -
0.7398 25350 0.1585 -
0.7413 25400 0.0007 -
0.7428 25450 0.1661 -
0.7442 25500 0.0 -
0.7457 25550 0.0 -
0.7471 25600 0.0 -
0.7486 25650 0.0 -
0.7501 25700 0.0001 -
0.7515 25750 0.0 -
0.7530 25800 0.0 -
0.7544 25850 0.1657 -
0.7559 25900 0.0 -
0.7574 25950 0.0002 -
0.7588 26000 0.0001 -
0.7603 26050 0.0004 -
0.7617 26100 0.0 -
0.7632 26150 0.0449 -
0.7647 26200 0.1664 -
0.7661 26250 0.0002 -
0.7676 26300 0.0 -
0.7690 26350 0.0 -
0.7705 26400 0.0 -
0.7719 26450 0.0 -
0.7734 26500 0.0464 -
0.7749 26550 0.0 -
0.7763 26600 0.0002 -
0.7778 26650 0.0 -
0.7792 26700 0.0 -
0.7807 26750 0.0001 -
0.7822 26800 0.038 -
0.7836 26850 0.0 -
0.7851 26900 0.0 -
0.7865 26950 0.0 -
0.7880 27000 0.0 -
0.7895 27050 0.0 -
0.7909 27100 0.0 -
0.7924 27150 0.0464 -
0.7938 27200 0.0001 -
0.7953 27250 0.0376 -
0.7968 27300 0.0 -
0.7982 27350 0.0 -
0.7997 27400 0.0001 -
0.8011 27450 0.0001 -
0.8026 27500 0.0431 -
0.8041 27550 0.0 -
0.8055 27600 0.0263 -
0.8070 27650 0.0 -
0.8084 27700 0.0 -
0.8099 27750 0.0001 -
0.8113 27800 0.0 -
0.8128 27850 0.0 -
0.8143 27900 0.0 -
0.8157 27950 0.0 -
0.8172 28000 0.0 -
0.8186 28050 0.0 -
0.8201 28100 0.0 -
0.8216 28150 0.0 -
0.8230 28200 0.0 -
0.8245 28250 0.0 -
0.8259 28300 0.0 -
0.8274 28350 0.0 -
0.8289 28400 0.0 -
0.8303 28450 0.0253 -
0.8318 28500 0.0603 -
0.8332 28550 0.0 -
0.8347 28600 0.0627 -
0.8362 28650 0.0 -
0.8376 28700 0.0659 -
0.8391 28750 0.0 -
0.8405 28800 0.0 -
0.8420 28850 0.0 -
0.8435 28900 0.0 -
0.8449 28950 0.0 -
0.8464 29000 0.0 -
0.8478 29050 0.0 -
0.8493 29100 0.0314 -
0.8507 29150 0.0002 -
0.8522 29200 0.0 -
0.8537 29250 0.0001 -
0.8551 29300 0.0 -
0.8566 29350 0.0 -
0.8580 29400 0.0 -
0.8595 29450 0.1661 -
0.8610 29500 0.0 -
0.8624 29550 0.0 -
0.8639 29600 0.0464 -
0.8653 29650 0.0 -
0.8668 29700 0.0 -
0.8683 29750 0.0 -
0.8697 29800 0.0387 -
0.8712 29850 0.0872 -
0.8726 29900 0.0638 -
0.8741 29950 0.0 -
0.8756 30000 0.0638 -
0.8770 30050 0.0 -
0.8785 30100 0.0431 -
0.8799 30150 0.0 -
0.8814 30200 0.0397 -
0.8829 30250 0.0379 -
0.8843 30300 0.0642 -
0.8858 30350 0.0 -
0.8872 30400 0.0652 -
0.8887 30450 0.0641 -
0.8901 30500 0.0 -
0.8916 30550 0.0 -
0.8931 30600 0.021 -
0.8945 30650 0.0 -
0.8960 30700 0.0218 -
0.8974 30750 0.0 -
0.8989 30800 0.0 -
0.9004 30850 0.0214 -
0.9018 30900 0.0 -
0.9033 30950 0.0 -
0.9047 31000 0.0 -
0.9062 31050 0.0717 -
0.9077 31100 0.0 -
0.9091 31150 0.0476 -
0.9106 31200 0.0 -
0.9120 31250 0.0 -
0.9135 31300 0.0 -
0.9150 31350 0.0 -
0.9164 31400 0.0 -
0.9179 31450 0.0 -
0.9193 31500 0.0548 -
0.9208 31550 0.0002 -
0.9223 31600 0.0 -
0.9237 31650 0.0 -
0.9252 31700 0.0 -
0.9266 31750 0.0 -
0.9281 31800 0.0 -
0.9295 31850 0.0 -
0.9310 31900 0.0 -
0.9325 31950 0.0 -
0.9339 32000 0.0358 -
0.9354 32050 0.0 -
0.9368 32100 0.0 -
0.9383 32150 0.0 -
0.9398 32200 0.0 -
0.9412 32250 0.0 -
0.9427 32300 0.0 -
0.9441 32350 0.0 -
0.9456 32400 0.0 -
0.9471 32450 0.0 -
0.9485 32500 0.0 -
0.9500 32550 0.0863 -
0.9514 32600 0.0 -
0.9529 32650 0.0 -
0.9544 32700 0.0 -
0.9558 32750 0.0 -
0.9573 32800 0.0 -
0.9587 32850 0.0 -
0.9602 32900 0.0 -
0.9617 32950 0.0 -
0.9631 33000 0.0241 -
0.9646 33050 0.0 -
0.9660 33100 0.0 -
0.9675 33150 0.0 -
0.9689 33200 0.0258 -
0.9704 33250 0.0 -
0.9719 33300 0.0 -
0.9733 33350 0.0 -
0.9748 33400 0.0 -
0.9762 33450 0.0 -
0.9777 33500 0.0 -
0.9792 33550 0.0 -
0.9806 33600 0.0 -
0.9821 33650 0.0 -
0.9835 33700 0.0605 -
0.9850 33750 0.0 -
0.9865 33800 0.0 -
0.9879 33850 0.0 -
0.9894 33900 0.0245 -
0.9908 33950 0.0 -
0.9923 34000 0.0 -
0.9938 34050 0.0585 -
0.9952 34100 0.0513 -
0.9967 34150 0.0 -
0.9981 34200 0.0 -
0.9996 34250 0.0 -

Framework Versions

  • Python: 3.10.13
  • SetFit: 1.0.3
  • Sentence Transformers: 2.7.0
  • spaCy: 3.7.4
  • Transformers: 4.36.2
  • PyTorch: 2.1.2
  • 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}
}
Downloads last month
35
Safetensors
Model size
124M params
Tensor type
F32
·
Inference Examples
Text Classification
Inference API (serverless) has been turned off for this model.

Space using zeroix07/indo-setfit-absa-model-aspect 1

Evaluation results

View on Papers With Code