File size: 16,808 Bytes
80bd313 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 |
---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 아레나 모던 대리석 다용도 도어 수납장 가구/인테리어>수납가구>수납장
- text: 원목 문갑 약장 자개농 엔틱 고가구 거실 인테리어 선반 가구/인테리어>수납가구>고가구
- text: 아카시아 대용량 2단 선반 행거 400호 가구/인테리어>수납가구>행거
- text: 수납 박스 우드 원목 상자 케이스 나무함 정리함 바늘 실 가구/인테리어>수납가구>소품수납함
- text: 엽서 진열대 전단지 전시대 디스플레이 회전 가판대 매거진 가구/인테리어>수납가구>잡지꽂이
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:** 12 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### 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 |
|:------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 10.0 | <ul><li>'멜리사 거울 수납장 600 가구/인테리어>수납가구>코너장'</li><li>'아도라퍼니처 아동가구 모듈 4단 코너장 가구/인테리어>수납가구>코너장'</li><li>'거실 코너장 틈새 수납 수납장 모서리 장식 원목 삼각 가구/인테리어>수납가구>코너장'</li></ul> |
| 0.0 | <ul><li>'원목 LP 수납장 우드 레코드판 진열장 뉴송 정리 가구/인테리어>수납가구>CD/DVD장'</li><li>'원목 아크릴 레코드 진열대 랙 보관함 투명 lp정리함 가구/인테리어>수납가구>CD/DVD장'</li><li>'턴테이블 장식장 엘피장 LP 원목진열대 받침대 보관함 가구/인테리어>수납가구>CD/DVD장'</li></ul> |
| 3.0 | <ul><li>'PD몰 주물장식 나비 대 4번 주물자재 문종소품 가구/인테리어>수납가구>나비장'</li><li>'나비장 원목 앤틱 수납 장식장 가구/인테리어>수납가구>나비장'</li><li>'그라데이션조각컷팅 홈퍼니싱매장데코소품 이중겹날개나비장식 6p 가구/인테리어>수납가구>나비장'</li></ul> |
| 11.0 | <ul><li>'행거맨 옷 강력흡착 압축기 모기장 매장용 물밀대 옷걸이 시스템 조립식 미니 먼지털이 벽 가구/인테리어>수납가구>행거'</li><li>'행거 옷걸이 북유럽 옷걸이 원목 스탠드 미니 스탠딩 나무 행거 -17 나뭇가지 가구/인테리어>수납가구>행거'</li><li>'심플한 스탠행거 사무실 욕실 미니행거 가구/인테리어>수납가구>행거'</li></ul> |
| 4.0 | <ul><li>'팬트리선반 5단 펜트리 철제 다용도실 조립 시스템 베란다 가구/인테리어>수납가구>선반'</li><li>'마켓비 LEITER 선반 600 넓은 4단 가구/인테리어>수납가구>선반'</li><li>'원목 선반 베란다 정리 우드 랙 다용도 진열대 심플 모듈 가구/인테리어>수납가구>선반'</li></ul> |
| 2.0 | <ul><li>'아이리스 펠리칸 도어형 공간박스 STB-400D 가구/인테리어>수납가구>공간박스'</li><li>'온라인박스 택배박스 B골 66호 가구/인테리어>수납가구>공간박스'</li><li>'심스하임 400 공간박스 4단 24t W컷 안전 아이방 틈새 수납 미니 책장 꽂이 완제품 가구/인테리어>수납가구>공간박스'</li></ul> |
| 7.0 | <ul><li>'신발걸이 현관 벤치 북유럽 그물 빨간 신발장 가구/인테리어>수납가구>신발장'</li><li>'대용량 이동식 신발장 학원 기숙사 현관문 공부방 가구/인테리어>수납가구>신발장'</li><li>'현관 신발장 슬라이딩 초박형 학원 북유럽 붙박이 BD 가구/인테리어>수납가구>신발장'</li></ul> |
| 8.0 | <ul><li>'우산 비닐 포장기 정리 봉투 보관 홀더 꽂이 업소 자동 혼합형 사무실 통 대용량 입구 빗물 가구/인테리어>수납가구>우산꽂이'</li><li>'설렘하우스 개업선물 큰우산 우산꽂이 특대 사이즈 업소용 설렘하우스 가구/인테리어>수납가구>우산꽂이'</li><li>'반투명 우산파우치 봉투 비닐 가구/인테리어>수납가구>우산꽂이'</li></ul> |
| 6.0 | <ul><li>'Fusion 접이식수납장 다용도 이동식 다층 접이식 리빙 박스 무설치 양문 가정용 거실 수납함 가구/인테리어>수납가구>수납장'</li><li>'제인2 미니수납장 작은 수납장 원룸 미닫이 슬라이드 슬라이딩 수납장 600 일반형 가구/인테리어>수납가구>수납장'</li><li>'JD홈드레싱 3단 도어장 가구/인테리어>수납가구>수납장'</li></ul> |
| 5.0 | <ul><li>'Ac B8 청색 세로형 산다케이스 군 다산 64X91 가구/인테리어>수납가구>소품수납함'</li><li>'아트사인 원목 수납정리함 5칸 소품 정리 박스 미니 보관함 통 가구/인테리어>수납가구>소품수납함'</li><li>'플라스틱 헤라 가구/인테리어>수납가구>소품수납함'</li></ul> |
| 1.0 | <ul><li>'약장 오동나무 고가구 원목 나비장 가구/인테리어>수납가구>고가구'</li><li>'나전칠기 약장 원목 자개장 화초장 럭셔리 장식 캐비닛 가구/인테리어>수납가구>고가구'</li><li>'자개장 고가구 거실장 엔틱 빈티지 전통 가구/인테리어>수납가구>고가구'</li></ul> |
| 9.0 | <ul><li>'홍보책 잡지꽂이 책 진열대 잡지 매거진 팜플렛 거치대 선반 랙 가구/인테리어>수납가구>잡지꽂이'</li><li>'아크릴 양면 받침대 중 가구/인테리어>수납가구>잡지꽂이'</li><li>'인테리어용책 소품 잡지책 매거진 카페 쇼품 사무실 DP 가구/인테리어>수납가구>잡지꽂이'</li></ul> |
## 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_fi5")
# Run inference
preds = model("아카시아 대용량 2단 선반 행거 400호 가구/인테리어>수납가구>행거")
```
<!--
### Downstream Use
*List how someone could finetune this model on their own dataset.*
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count | 3 | 9.0095 | 20 |
| Label | Training Sample Count |
|:------|:----------------------|
| 0.0 | 69 |
| 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 | 69 |
| 10.0 | 70 |
| 11.0 | 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0061 | 1 | 0.4852 | - |
| 0.3049 | 50 | 0.4994 | - |
| 0.6098 | 100 | 0.4134 | - |
| 0.9146 | 150 | 0.1731 | - |
| 1.2195 | 200 | 0.0287 | - |
| 1.5244 | 250 | 0.0058 | - |
| 1.8293 | 300 | 0.0003 | - |
| 2.1341 | 350 | 0.0001 | - |
| 2.4390 | 400 | 0.0001 | - |
| 2.7439 | 450 | 0.0001 | - |
| 3.0488 | 500 | 0.0 | - |
| 3.3537 | 550 | 0.0 | - |
| 3.6585 | 600 | 0.0 | - |
| 3.9634 | 650 | 0.0 | - |
| 4.2683 | 700 | 0.0 | - |
| 4.5732 | 750 | 0.0 | - |
| 4.8780 | 800 | 0.0 | - |
| 5.1829 | 850 | 0.0 | - |
| 5.4878 | 900 | 0.0 | - |
| 5.7927 | 950 | 0.0 | - |
| 6.0976 | 1000 | 0.0 | - |
| 6.4024 | 1050 | 0.0 | - |
| 6.7073 | 1100 | 0.0 | - |
| 7.0122 | 1150 | 0.0002 | - |
| 7.3171 | 1200 | 0.0001 | - |
| 7.6220 | 1250 | 0.0 | - |
| 7.9268 | 1300 | 0.0 | - |
| 8.2317 | 1350 | 0.0 | - |
| 8.5366 | 1400 | 0.0 | - |
| 8.8415 | 1450 | 0.0 | - |
| 9.1463 | 1500 | 0.0 | - |
| 9.4512 | 1550 | 0.0 | - |
| 9.7561 | 1600 | 0.0 | - |
| 10.0610 | 1650 | 0.0 | - |
| 10.3659 | 1700 | 0.0 | - |
| 10.6707 | 1750 | 0.0 | - |
| 10.9756 | 1800 | 0.0 | - |
| 11.2805 | 1850 | 0.0 | - |
| 11.5854 | 1900 | 0.0 | - |
| 11.8902 | 1950 | 0.0 | - |
| 12.1951 | 2000 | 0.0 | - |
| 12.5 | 2050 | 0.0 | - |
| 12.8049 | 2100 | 0.0 | - |
| 13.1098 | 2150 | 0.0 | - |
| 13.4146 | 2200 | 0.0 | - |
| 13.7195 | 2250 | 0.0 | - |
| 14.0244 | 2300 | 0.0 | - |
| 14.3293 | 2350 | 0.0 | - |
| 14.6341 | 2400 | 0.0 | - |
| 14.9390 | 2450 | 0.0 | - |
| 15.2439 | 2500 | 0.0 | - |
| 15.5488 | 2550 | 0.0 | - |
| 15.8537 | 2600 | 0.0 | - |
| 16.1585 | 2650 | 0.0 | - |
| 16.4634 | 2700 | 0.0 | - |
| 16.7683 | 2750 | 0.0 | - |
| 17.0732 | 2800 | 0.0 | - |
| 17.3780 | 2850 | 0.0 | - |
| 17.6829 | 2900 | 0.0 | - |
| 17.9878 | 2950 | 0.0 | - |
| 18.2927 | 3000 | 0.0 | - |
| 18.5976 | 3050 | 0.0 | - |
| 18.9024 | 3100 | 0.0 | - |
| 19.2073 | 3150 | 0.0 | - |
| 19.5122 | 3200 | 0.0 | - |
| 19.8171 | 3250 | 0.0 | - |
| 20.1220 | 3300 | 0.0 | - |
| 20.4268 | 3350 | 0.0 | - |
| 20.7317 | 3400 | 0.0 | - |
| 21.0366 | 3450 | 0.0 | - |
| 21.3415 | 3500 | 0.0 | - |
| 21.6463 | 3550 | 0.0 | - |
| 21.9512 | 3600 | 0.0 | - |
| 22.2561 | 3650 | 0.0 | - |
| 22.5610 | 3700 | 0.0 | - |
| 22.8659 | 3750 | 0.0 | - |
| 23.1707 | 3800 | 0.0 | - |
| 23.4756 | 3850 | 0.0 | - |
| 23.7805 | 3900 | 0.0 | - |
| 24.0854 | 3950 | 0.0 | - |
| 24.3902 | 4000 | 0.0 | - |
| 24.6951 | 4050 | 0.0 | - |
| 25.0 | 4100 | 0.0 | - |
| 25.3049 | 4150 | 0.0 | - |
| 25.6098 | 4200 | 0.0 | - |
| 25.9146 | 4250 | 0.0 | - |
| 26.2195 | 4300 | 0.0 | - |
| 26.5244 | 4350 | 0.0 | - |
| 26.8293 | 4400 | 0.0 | - |
| 27.1341 | 4450 | 0.0 | - |
| 27.4390 | 4500 | 0.0 | - |
| 27.7439 | 4550 | 0.0 | - |
| 28.0488 | 4600 | 0.0 | - |
| 28.3537 | 4650 | 0.0 | - |
| 28.6585 | 4700 | 0.0 | - |
| 28.9634 | 4750 | 0.0 | - |
| 29.2683 | 4800 | 0.0 | - |
| 29.5732 | 4850 | 0.0 | - |
| 29.8780 | 4900 | 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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |