Hugging Face's logo

mini1013
/
master_cate_bc27

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_bc27 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
1b2aaea verified
preview code
|
raw
history blame contribute delete
13.4 kB
metadata
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      [1300K] 국내생산 뉴니끄 후크랩 솔리드 수유 브라&드로즈팬티 세트 샌드베이지_브라(L)/팬티(M-L) 출산/육아 > 임부복 >
      임부속옷 > 수유브라
  - text: 반팔 부엉이레이스티 여성의류 임부복 임산부티셔츠  출산/육아 > 임부복 > 수유복
  - text: 외출수유원피스 산후조리원복 산모복 수유외출복 그레이(L) 출산/육아 > 임부복 > 수유복
  - text: >-
      My Bump 여성용 하이 웨이스트 바닥 길이 임산부 맥시 스커트 정품보장 X-Large_Mocha Sd 출산/육아 > 임부복 >
      수유복
  - text: 여성 임산부 운동복 쫄 바지 배꼽 아래 레깅스 선물 저렴한 요가복 부쫄 배꼽아래 부 임산 다크그레이 M 출산/육아 > 임부복 > 바지
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: mini1013/master_domain
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: accuracy
            value: 1
            name: Accuracy

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
  • '반팔퍼프 모노키니 임부복수영복 셔링비키니 빅사이즈 화이트, 블랙 (M,L,XL) 블랙_L 출산/육아 > 임부복 > 임부용수영복'
  • '2024 새로운 임산부 수영복 배꼽 커버 큰 연꽃 잎 가장자리 한 어깨 원피스 수영복 기초 잎_XXXL 출산/육아 > 임부복 > 임부용수영복'
  • '임산부래쉬가드 임산부수영복 체형커버 빅사이즈 만삭 블루_S 출산/육아 > 임부복 > 임부용수영복'
4.0
  • '보리맘 투투 반팔 원피스 세트 롱원피스 임부복 R414 출산/육아 > 임부복 > 원피스'
  • '고급스러운 카라 브이넥 부드러운 니트 페이크버튼 임산부원피스 임부복원피스 만삭임부복 블랙_Free 출산/육아 > 임부복 > 원피스'
  • '출산 전후 임산부 골반 복대 벨트 B_엘 출산/육아 > 임부복 > 원피스'
3.0
  • '9022 2023 용수철 여름 주름 임산부 스커트 신축성 허리 뱃살 의류 임산부 하의 출산/육아 > 임부복 > 스커트'
  • '가을 코디 투피스 니트 스커트 탑 스웨터 원피스 나른한 세트 임부스커트-블랙_L 출산/육아 > 임부복 > 스커트'
  • '임산부 스커트 임부복 치마 가을 겨울 벨벳 A 라인 빅사이즈 플리츠 편안한 블랙레귤러 스타일_XXL 출산/육아 > 임부복 > 스커트'
1.0
  • '임부복 썸머플리츠 임산부반바지 출산/육아 > 임부복 > 바지'
  • '뉴니끄 임산부 빅사이즈 수유브라 수유나시 팬티 임산부내의 임산부 손목보호대 일반형(2p) 텐셀랩 임산부 드로즈팬티_파스텔블루_M-L 출산/육아 > 임부복 > 바지'
  • 'AMPOSH 여성용 임산부운동복 바지 신축성 임신 조거 팬츠 보온츄리닝 트레이닝복 헤더버건디_XL 출산/육아 > 임부복 > 바지'
0.0
  • '임산부 원피스 임부복 배 지지 레깅스 출산/육아 > 임부복 > 레깅스'
  • '원피스 임산부 임부복 와이드 벨트 배 지지 레깅스 출산/육아 > 임부복 > 레깅스'
  • '임산부 겨울 레깅스 겨울용 두꺼운 임산부용 러블리 쇼 얇은 바지 파일 패브릭 510g 04 golden blue_03 XXL 출산/육아 > 임부복 > 레깅스'
5.0
  • '마마조이 심리스 에어 수유브라 그레이_L 출산/육아 > 임부복 > 임부속옷 > 수유브라'
  • '수유나시 원터치 임산부 임부 속옷 잠옷 수유복 산모 내의 블루_2XL 출산/육아 > 임부복 > 임부속옷 > 임부러닝'
  • '쌍방울 TRY 마더마인드 9부 면스판 임산부 내복 272 상하 1세트 TW9S272 피치_000 (Free) 출산/육아 > 임부복 > 임부속옷 > 임부내복'
2.0
  • 'Summer Mae 임산부 수영복 원피스 수영복 버튼 넥 크로스 백 정품보장 Large_Purple 출산/육아 > 임부복 > 수유복'
  • '랭글러 Wrangler 여성용 레트로 Mae 임산부 부츠 컷 진 정품보장 Denim_0-34 출산/육아 > 임부복 > 수유복'
  • '반폴라 봄 축열덕융세트 레깅스 상의 티셔츠 이너 가을겨울 3XL[72.5-82.5kg 권장]_카멜반폴라[가을겨울 보온] 출산/육아 > 임부복 > 수유복'

Evaluation

Metrics

Label Accuracy
all 1.0

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_bc27")
# Run inference
preds = model("반팔 부엉이레이스티 여성의류 임부복 임산부티셔츠  출산/육아 > 임부복 > 수유복")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 8 15.0776 33
Label Training Sample Count
0.0 70
1.0 70
2.0 70
3.0 70
4.0 70
5.0 70
6.0 70

Training Hyperparameters

  • batch_size: (256, 256)
  • num_epochs: (30, 30)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 50
  • 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
0.0104 1 0.4946 -
0.5208 50 0.4988 -
1.0417 100 0.348 -
1.5625 150 0.1457 -
2.0833 200 0.0479 -
2.6042 250 0.0175 -
3.125 300 0.0002 -
3.6458 350 0.0001 -
4.1667 400 0.0001 -
4.6875 450 0.0 -
5.2083 500 0.0 -
5.7292 550 0.0 -
6.25 600 0.0 -
6.7708 650 0.0 -
7.2917 700 0.0 -
7.8125 750 0.0 -
8.3333 800 0.0 -
8.8542 850 0.0 -
9.375 900 0.0 -
9.8958 950 0.0 -
10.4167 1000 0.0 -
10.9375 1050 0.0 -
11.4583 1100 0.0 -
11.9792 1150 0.0 -
12.5 1200 0.0 -
13.0208 1250 0.0 -
13.5417 1300 0.0 -
14.0625 1350 0.0 -
14.5833 1400 0.0 -
15.1042 1450 0.0 -
15.625 1500 0.0 -
16.1458 1550 0.0 -
16.6667 1600 0.0 -
17.1875 1650 0.0 -
17.7083 1700 0.0 -
18.2292 1750 0.0 -
18.75 1800 0.0 -
19.2708 1850 0.0 -
19.7917 1900 0.0 -
20.3125 1950 0.0 -
20.8333 2000 0.0 -
21.3542 2050 0.0 -
21.875 2100 0.0 -
22.3958 2150 0.0 -
22.9167 2200 0.0 -
23.4375 2250 0.0 -
23.9583 2300 0.0 -
24.4792 2350 0.0 -
25.0 2400 0.0 -
25.5208 2450 0.0 -
26.0417 2500 0.0 -
26.5625 2550 0.0 -
27.0833 2600 0.0 -
27.6042 2650 0.0 -
28.125 2700 0.0 -
28.6458 2750 0.0 -
29.1667 2800 0.0 -
29.6875 2850 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}
}