---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 신한벽지 스케치 실크벽지 신비로운 새벽 폭106cm 1롤 15 5m 15099-1 가구/인테리어>DIY자재/용품>벽지>실크벽지
- text: 네오디움 사각 자석 가로x세로x높이 부영 마그네트 캐취 철물 자재 부속 BYNDSB-40-25-10 가구/인테리어>DIY자재/용품>가구부속품>경첩/꺽쇠/자석철물류
- text: 다용도 방수 알미늄 시트지 방유 주방 가구/인테리어>DIY자재/용품>시트지>타일시트지
- text: 카우보이 도어 스윙 1개 카운터 중문 바 협소 화장실 가구/인테리어>DIY자재/용품>리모델링>중문
- text: 피스커버 못자국 스티커 구멍 흠집 보수 가리기 가구/인테리어>DIY자재/용품>접착제/보수용품
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: 1.0
name: Accuracy
---
# SetFit with mini1013/master_domain
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_domain) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) 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:** [mini1013/master_domain](https://huggingface.co/mini1013/master_domain)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 512 tokens
- **Number of Classes:** 14 classes
### Model Sources
- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)
### Model Labels
| Label | Examples |
|:------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 6.0 | - '스텐파이프 4M 지름 12 두께 0 9T STS304 가구/인테리어>DIY자재/용품>반제품'
- '필립스2100 에그 미니 보풀제거기 충전식 강력 6중날 가구/인테리어>DIY자재/용품>반제품'
- '피카소 벽지벽면용 4L 칼라메이트 7인치 도구세트 제르니 노루페인트 DP5020 가구/인테리어>DIY자재/용품>반제품'
|
| 4.0 | - '굽도리 걸레받이 천정 몰딩 16색 노본 6m 12m 25m 기본형 광폭 와이드굽도리 가구/인테리어>DIY자재/용품>몰딩'
- '깨끗 선정리 몰딩 신형고강도 2호 1박스 100개 걸레받이 선가리개 전선몰드 바닥 전기선 쫄대 가구/인테리어>DIY자재/용품>몰딩'
- '전선몰딩 사각 3호 가구/인테리어>DIY자재/용품>몰딩'
|
| 9.0 | - '방수벽 시트지 접착식 스티커 부엌 타일 인테리어 내화성 가구/인테리어>DIY자재/용품>시트지>타일시트지'
- '토리시트 x 5M 무광 연분홍 컬러시트지 단색시트 실루엣카메오4 실루엣포트레이트 사용가능 가구/인테리어>DIY자재/용품>시트지>단색시트지'
- '타일 은박 시트지 10M 대용량 주방 싱크대 가구/인테리어>DIY자재/용품>시트지>타일시트지'
|
| 13.0 | - '영림임업 월판넬 아트월 오브제 템바보드 직각 대형 1200x2400x15T 구직각템바 주문재 영림161 1개 가구/인테리어>DIY자재/용품>패널'
- '나무아트월 벽 패널 유럽 인테리어 나무벽지 마감재 장식 3D 보드 디자인 DIY 판넬 가구/인테리어>DIY자재/용품>패널'
- '투명 패널 보드 3장 세트 플라스틱 지붕 선샤인 캐노피 FRP 아크릴 야외 판넬 가구/인테리어>DIY자재/용품>패널'
|
| 7.0 | - '도배 벽지 풀 바르는 기계 시공 롤러 접착 풀칠 셀프 스테인리스 가구/인테리어>DIY자재/용품>벽지>기타벽지'
- '방수 실크벽지 1mX10m 스티커 천정 인테리어 셀프도배 로제 접착식벽지 광폭합지 부분 가구/인테리어>DIY자재/용품>벽지>뮤럴벽지'
- 'LX하우시스 테라피 따스한화이트 1롤 5평 친환경 실크벽지 7043-01 가구/인테리어>DIY자재/용품>벽지>실크벽지'
|
| 11.0 | - '욕실천정재 화장실 천창 마감재 리빙보드-L 브라운안티화이트0 8래커 300x600mm 표준 액세서리 300X600 가구/인테리어>DIY자재/용품>타일>도기질타일'
- '원형거울 스테인글라스 거울 모로코 스타일 인테리어 수제 모자이크 가구/인테리어>DIY자재/용품>타일>유리타일'
- '금장 타일 육각 현관 300각 은장 주방 화장실 패턴 300X300 가구/인테리어>DIY자재/용품>타일>자기질타일'
|
| 3.0 | - '목재나라 멀바우 집성목 판재 책상 식탁 원목상판 선반 가구/인테리어>DIY자재/용품>목재'
- '목재나라 방킬라이 데크 천연데크 울타리 펜스 가구/인테리어>DIY자재/용품>목재'
- 'PB 파티클보드 목재구입 가구/인테리어>DIY자재/용품>목재'
|
| 12.0 | - '속빈 콘크리트 블럭 시멘트 큐 공간디자인 PU 구성 요소 경량 중공 벽돌 붓는 예술 장식 가구/인테리어>DIY자재/용품>파벽돌'
- '3D 돌 효과 벽지 DIY 거실 가벽 스티커 PVC벽 가정용 방수 접착 시트지 가구/인테리어>DIY자재/용품>파벽돌'
- '에코스톤볼마커 4개세트 나비 4개 가구/인테리어>DIY자재/용품>파벽돌'
|
| 0.0 | - '접시머리 외날피스 철판피스 4x65 10개입 TYF093 가구/인테리어>DIY자재/용품>가구부속품>나사/못'
- '만능 가구다리 높이조절받침대 소음방지 4개입 가구/인테리어>DIY자재/용품>가구부속품>가구바퀴'
- '가구용 황동 주물 두줄 장식장다리 가구/인테리어>DIY자재/용품>가구부속품>가구다리'
|
| 5.0 | - '조립식 데크 타일 초콜릿 가구/인테리어>DIY자재/용품>바닥재>마루'
- 'LG 데코타일 에코노 600 mm 9장 1평 1Box 엘지 테코타일 셀프시공 DTE6262-A3 3TX600X600 가구/인테리어>DIY자재/용품>바닥재>기타바닥재'
- 'LX하우시스 렉스코트 6 5T 기능성 시트 상업용 바닥재 솔리드 1롤 15M SPF6403 가구/인테리어>DIY자재/용품>바닥재>장판'
|
| 1.0 | - '스티커 그래픽s 커피타임 GDT-967 가구/인테리어>DIY자재/용품>데코스티커'
- '오버그로우 스마일동물캐릭터 아동방 벽장식 포인트스티커 벽인테리어B 가구/인테리어>DIY자재/용품>데코스티커'
- 'INNOTECH 금연구역 스티커 금연 축광 야광 형광 위치표시 안전 소방 5800C01 4800C1 가구/인테리어>DIY자재/용품>데코스티커'
|
| 2.0 | - '대림비앤코 디움 멜로우데이지 플러스 거실욕실 리모델링 가구/인테리어>DIY자재/용품>리모델링>욕실/바스'
- '화이트 카우보이문 카페 스윙도어 화장실 입구 중문 가구/인테리어>DIY자재/용품>리모델링>중문'
- '국산 턱없는 신주평 호차 롤러 창문로라 문바퀴 문틀교체 슬라이딩 가구/인테리어>DIY자재/용품>리모델링>창문/창호/새시'
|
| 10.0 | - '가죽 가구 보수 리폼 패치 수선 시트지 스티커 가구/인테리어>DIY자재/용품>접착제/보수용품'
- '마루 가구 보수재 크레용 연성컬러 네오스틱 7번 가구/인테리어>DIY자재/용품>접착제/보수용품'
- '가죽 보수스티커120x60 대형 쇼파 의자 셀프수리 리폼 패치 가구/인테리어>DIY자재/용품>접착제/보수용품'
|
| 8.0 | - 'DP 5B AL 주물손잡이 빈티지 레트로 엔틱 중문 문손잡이 전면고정 가구/인테리어>DIY자재/용품>손잡이'
- '가구손잡이 싱크대 신발장 서랍장 엔틱 가구손잡이 가구/인테리어>DIY자재/용품>손잡이'
- 'SJB 방문손잡이 방문고리 문고리 문 손잡이 DIY AL920 가구/인테리어>DIY자재/용품>손잡이'
|
## Evaluation
### Metrics
| Label | Accuracy |
|:--------|:---------|
| **all** | 1.0 |
## Uses
### Direct Use for Inference
First install the SetFit library:
```bash
pip install setfit
```
Then you can load this model and run inference.
```python
from setfit import SetFitModel
# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("mini1013/master_cate_fi0")
# Run inference
preds = model("다용도 방수 알미늄 시트지 방유 주방 가구/인테리어>DIY자재/용품>시트지>타일시트지")
```
## Training Details
### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count | 2 | 9.0153 | 20 |
| 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 |
| 7.0 | 70 |
| 8.0 | 70 |
| 9.0 | 70 |
| 10.0 | 70 |
| 11.0 | 70 |
| 12.0 | 70 |
| 13.0 | 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0052 | 1 | 0.4943 | - |
| 0.2604 | 50 | 0.497 | - |
| 0.5208 | 100 | 0.4938 | - |
| 0.7812 | 150 | 0.454 | - |
| 1.0417 | 200 | 0.31 | - |
| 1.3021 | 250 | 0.0825 | - |
| 1.5625 | 300 | 0.0174 | - |
| 1.8229 | 350 | 0.0104 | - |
| 2.0833 | 400 | 0.0018 | - |
| 2.3438 | 450 | 0.0002 | - |
| 2.6042 | 500 | 0.0001 | - |
| 2.8646 | 550 | 0.0001 | - |
| 3.125 | 600 | 0.0001 | - |
| 3.3854 | 650 | 0.0001 | - |
| 3.6458 | 700 | 0.0001 | - |
| 3.9062 | 750 | 0.0 | - |
| 4.1667 | 800 | 0.0 | - |
| 4.4271 | 850 | 0.0 | - |
| 4.6875 | 900 | 0.0 | - |
| 4.9479 | 950 | 0.0 | - |
| 5.2083 | 1000 | 0.0 | - |
| 5.4688 | 1050 | 0.0 | - |
| 5.7292 | 1100 | 0.0 | - |
| 5.9896 | 1150 | 0.0 | - |
| 6.25 | 1200 | 0.0 | - |
| 6.5104 | 1250 | 0.0 | - |
| 6.7708 | 1300 | 0.0 | - |
| 7.0312 | 1350 | 0.0 | - |
| 7.2917 | 1400 | 0.0 | - |
| 7.5521 | 1450 | 0.0 | - |
| 7.8125 | 1500 | 0.0 | - |
| 8.0729 | 1550 | 0.0 | - |
| 8.3333 | 1600 | 0.0 | - |
| 8.5938 | 1650 | 0.0 | - |
| 8.8542 | 1700 | 0.0 | - |
| 9.1146 | 1750 | 0.0 | - |
| 9.375 | 1800 | 0.0 | - |
| 9.6354 | 1850 | 0.0 | - |
| 9.8958 | 1900 | 0.0 | - |
| 10.1562 | 1950 | 0.0 | - |
| 10.4167 | 2000 | 0.0 | - |
| 10.6771 | 2050 | 0.0 | - |
| 10.9375 | 2100 | 0.0 | - |
| 11.1979 | 2150 | 0.0 | - |
| 11.4583 | 2200 | 0.0 | - |
| 11.7188 | 2250 | 0.0 | - |
| 11.9792 | 2300 | 0.0 | - |
| 12.2396 | 2350 | 0.0 | - |
| 12.5 | 2400 | 0.0 | - |
| 12.7604 | 2450 | 0.0 | - |
| 13.0208 | 2500 | 0.0 | - |
| 13.2812 | 2550 | 0.0 | - |
| 13.5417 | 2600 | 0.0 | - |
| 13.8021 | 2650 | 0.0 | - |
| 14.0625 | 2700 | 0.0 | - |
| 14.3229 | 2750 | 0.0 | - |
| 14.5833 | 2800 | 0.0 | - |
| 14.8438 | 2850 | 0.0 | - |
| 15.1042 | 2900 | 0.0 | - |
| 15.3646 | 2950 | 0.0 | - |
| 15.625 | 3000 | 0.0 | - |
| 15.8854 | 3050 | 0.0 | - |
| 16.1458 | 3100 | 0.0 | - |
| 16.4062 | 3150 | 0.0 | - |
| 16.6667 | 3200 | 0.0 | - |
| 16.9271 | 3250 | 0.0 | - |
| 17.1875 | 3300 | 0.0 | - |
| 17.4479 | 3350 | 0.0 | - |
| 17.7083 | 3400 | 0.0 | - |
| 17.9688 | 3450 | 0.0 | - |
| 18.2292 | 3500 | 0.0 | - |
| 18.4896 | 3550 | 0.0 | - |
| 18.75 | 3600 | 0.0 | - |
| 19.0104 | 3650 | 0.0 | - |
| 19.2708 | 3700 | 0.0 | - |
| 19.5312 | 3750 | 0.0 | - |
| 19.7917 | 3800 | 0.0 | - |
| 20.0521 | 3850 | 0.0 | - |
| 20.3125 | 3900 | 0.0 | - |
| 20.5729 | 3950 | 0.0 | - |
| 20.8333 | 4000 | 0.0 | - |
| 21.0938 | 4050 | 0.0 | - |
| 21.3542 | 4100 | 0.0 | - |
| 21.6146 | 4150 | 0.0 | - |
| 21.875 | 4200 | 0.0 | - |
| 22.1354 | 4250 | 0.0 | - |
| 22.3958 | 4300 | 0.0 | - |
| 22.6562 | 4350 | 0.0 | - |
| 22.9167 | 4400 | 0.0 | - |
| 23.1771 | 4450 | 0.0 | - |
| 23.4375 | 4500 | 0.0 | - |
| 23.6979 | 4550 | 0.0 | - |
| 23.9583 | 4600 | 0.0 | - |
| 24.2188 | 4650 | 0.0 | - |
| 24.4792 | 4700 | 0.0 | - |
| 24.7396 | 4750 | 0.0 | - |
| 25.0 | 4800 | 0.0 | - |
| 25.2604 | 4850 | 0.0 | - |
| 25.5208 | 4900 | 0.0 | - |
| 25.7812 | 4950 | 0.0 | - |
| 26.0417 | 5000 | 0.0 | - |
| 26.3021 | 5050 | 0.0 | - |
| 26.5625 | 5100 | 0.0 | - |
| 26.8229 | 5150 | 0.0 | - |
| 27.0833 | 5200 | 0.0 | - |
| 27.3438 | 5250 | 0.0 | - |
| 27.6042 | 5300 | 0.0 | - |
| 27.8646 | 5350 | 0.0 | - |
| 28.125 | 5400 | 0.0 | - |
| 28.3854 | 5450 | 0.0 | - |
| 28.6458 | 5500 | 0.0 | - |
| 28.9062 | 5550 | 0.0 | - |
| 29.1667 | 5600 | 0.0 | - |
| 29.4271 | 5650 | 0.0 | - |
| 29.6875 | 5700 | 0.0 | - |
| 29.9479 | 5750 | 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
```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}
}
```