---
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.*
-->