Hugging Face's logo

firqaaa
/
indo-setfit-bert-base-p2

Text Classification
setfit
Safetensors
sentence-transformers
bert
generated_from_setfit_trainer
Eval Results
Model card Files Community
indo-setfit-bert-base-p2 / README.md
firqaaa's picture
firqaaa
Add SetFit model
b1ff00a verified
preview code
|
raw
history blame
16.5 kB
metadata
library_name: setfit
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
metrics:
  - accuracy
widget:
  - text: aku hanya menyukai setiap menit film ini.
  - text: bioskop orang dalam kondisi terbaiknya.
  - text: >-
      bukan untuk orang yang mudah tersinggung atau mudah tersinggung, ini
      adalah pemeriksaan yang berani dan berkepanjangan terhadap budaya yang
      diidolakan, kebencian terhadap diri sendiri, dan politik seksual.
  - text: itu curang.
  - text: >-
      Meskipun penduduk setempat akan senang melihat situs-situs Cleveland,
      seluruh dunia akan menikmati komedi bertempo cepat dengan keunikan yang
      mungkin membuat iri para coen bersaudara yang telah memenangkan
      penghargaan.
pipeline_tag: text-classification
inference: true
base_model: firqaaa/indo-sentence-bert-base
model-index:
  - name: SetFit with firqaaa/indo-sentence-bert-base
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.3425339366515837
            name: Accuracy

SetFit with firqaaa/indo-sentence-bert-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses firqaaa/indo-sentence-bert-base as the Sentence Transformer embedding model. A SetFitHead 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
sangat positif
  • "tema universal untuk menjadi orang yang lebih baik melalui cinta belum pernah difilmkan dengan cara yang lebih menarik daripada di `baran. '"
  • 'hangat dalam penggambaran manusia sehari-hari yang penuh kasih namun tidak konsisten, santai dalam langkah tenang yang sempurna, dan bangga dalam pesannya.'
  • 'kecerdasan yang mendalam serta kasih sayang yang hangat dan menyelimuti terhembus dari setiap bingkainya.'
sangat negatif
  • 'sebuah film kejam yang dibuat oleh seseorang yang pasti membaca catcher in the rye tetapi jelas-jelas menderita disleksia'
  • "all the queen's men adalah film perang kemunduran yang gagal dalam berbagai tingkatan, sehingga harus membayar ganti rugi kepada pemirsa."
  • '... ini bahkan bukan film yang bisa kita nikmati sebagai pelarian ringan; ini adalah ketakutan dan frustrasi yang dipicu hingga tingkat yang tidak dapat ditoleransi.'
positif
  • 'direktur kredit ramsay karena mengambil cerita yang terkadang mustahil dan membuatnya terasa realistis.'
  • 'patut diberi hormat hanya karena mencoba menjadi lebih kompleks daripada film rata-rata Anda.'
  • 'tapi secara keseluruhan, Anda akan menyukai film ini.'
negatif
  • 'semua orang harus disalahkan di sini.'
  • 'tontonan hingar bingar -lrb- di acara TV -rrb- biasanya telah diragi oleh pesona yang secara mencolok hilang dari ledakan layar lebar gadis-gadis itu.'
  • 'alur cerita, karakter, drama, emosi, ide – semuanya tidak relevan dengan pengalaman melihat raja kalajengking.'
netral
  • 'affleck hanya menciptakan garis besar untuk sebuah peran yang masih perlu ia kembangkan, sebuah peran yang dengan mudah dipenuhi dengan otoritas.'
  • 'sutradara oliver parker bekerja keras untuk mengubah kehidupan menjadi pentingnya bersikap sungguh-sungguh sehingga dia mungkin menarik satu atau dua otot.'
  • 'clayburgh dan tambor adalah pemain yang menawan; tak satu pun dari mereka pantas menerima Eric Schaeffer.'

Evaluation

Metrics

Label Accuracy
all 0.3425

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("firqaaa/indo-setfit-bert-base-p2")
# Run inference
preds = model("itu curang.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 15.476 46
Label Training Sample Count
sangat negatif 200
negatif 200
netral 200
positif 200
sangat positif 200

Training Hyperparameters

  • batch_size: (128, 32)
  • num_epochs: (1, 8)
  • max_steps: -1
  • sampling_strategy: oversampling
  • body_learning_rate: (2e-05, 5e-06)
  • head_learning_rate: 2e-05
  • loss: CosineSimilarityLoss
  • distance_metric: cosine_distance
  • margin: 0.25
  • end_to_end: False
  • use_amp: False
  • warmup_proportion: 0.1
  • seed: 42
  • eval_max_steps: -1
  • load_best_model_at_end: True

Training Results

Epoch Step Training Loss Validation Loss
0.0002 1 0.3317 -
0.008 50 0.2883 -
0.016 100 0.2625 -
0.024 150 0.2516 -
0.032 200 0.2075 -
0.04 250 0.184 -
0.048 300 0.1632 -
0.056 350 0.1105 -
0.064 400 0.1109 -
0.072 450 0.0934 -
0.08 500 0.0518 -
0.088 550 0.0246 -
0.096 600 0.0133 -
0.104 650 0.0056 -
0.112 700 0.006 -
0.12 750 0.0072 -
0.128 800 0.0179 -
0.136 850 0.0025 -
0.144 900 0.0019 -
0.152 950 0.0008 -
0.16 1000 0.0009 -
0.168 1050 0.0016 -
0.176 1100 0.0008 -
0.184 1150 0.0009 -
0.192 1200 0.0006 -
0.2 1250 0.0112 -
0.208 1300 0.0007 -
0.216 1350 0.0005 -
0.224 1400 0.0006 -
0.232 1450 0.0004 -
0.24 1500 0.0003 -
0.248 1550 0.0111 -
0.256 1600 0.0007 -
0.264 1650 0.0004 -
0.272 1700 0.0068 -
0.28 1750 0.0006 -
0.288 1800 0.008 -
0.296 1850 0.0004 -
0.304 1900 0.0009 -
0.312 1950 0.0004 -
0.32 2000 0.0003 -
0.328 2050 0.0034 -
0.336 2100 0.0003 -
0.344 2150 0.0002 -
0.352 2200 0.0002 -
0.36 2250 0.0002 -
0.368 2300 0.0002 -
0.376 2350 0.0002 -
0.384 2400 0.0002 -
0.392 2450 0.0001 -
0.4 2500 0.0002 -
0.408 2550 0.0001 -
0.416 2600 0.0001 -
0.424 2650 0.0002 -
0.432 2700 0.0001 -
0.44 2750 0.0001 -
0.448 2800 0.0001 -
0.456 2850 0.0003 -
0.464 2900 0.0001 -
0.472 2950 0.0001 -
0.48 3000 0.0004 -
0.488 3050 0.0002 -
0.496 3100 0.0001 -
0.504 3150 0.0003 -
0.512 3200 0.0001 -
0.52 3250 0.0001 -
0.528 3300 0.0002 -
0.536 3350 0.0001 -
0.544 3400 0.0001 -
0.552 3450 0.0001 -
0.56 3500 0.0001 -
0.568 3550 0.0001 -
0.576 3600 0.0001 -
0.584 3650 0.0001 -
0.592 3700 0.0001 -
0.6 3750 0.0 -
0.608 3800 0.0001 -
0.616 3850 0.0001 -
0.624 3900 0.0001 -
0.632 3950 0.0001 -
0.64 4000 0.0003 -
0.648 4050 0.0001 -
0.656 4100 0.0001 -
0.664 4150 0.0001 -
0.672 4200 0.0001 -
0.68 4250 0.0001 -
0.688 4300 0.0001 -
0.696 4350 0.0001 -
0.704 4400 0.0001 -
0.712 4450 0.0001 -
0.72 4500 0.0001 -
0.728 4550 0.0001 -
0.736 4600 0.0001 -
0.744 4650 0.0001 -
0.752 4700 0.0001 -
0.76 4750 0.0001 -
0.768 4800 0.0001 -
0.776 4850 0.0001 -
0.784 4900 0.0001 -
0.792 4950 0.0001 -
0.8 5000 0.0 -
0.808 5050 0.0001 -
0.816 5100 0.0001 -
0.824 5150 0.0001 -
0.832 5200 0.0 -
0.84 5250 0.0001 -
0.848 5300 0.0001 -
0.856 5350 0.0 -
0.864 5400 0.0001 -
0.872 5450 0.0001 -
0.88 5500 0.0001 -
0.888 5550 0.0001 -
0.896 5600 0.0 -
0.904 5650 0.0001 -
0.912 5700 0.0001 -
0.92 5750 0.0001 -
0.928 5800 0.0 -
0.936 5850 0.0 -
0.944 5900 0.0 -
0.952 5950 0.0 -
0.96 6000 0.0 -
0.968 6050 0.0 -
0.976 6100 0.0001 -
0.984 6150 0.0 -
0.992 6200 0.0 -
1.0 6250 0.0 0.3546
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.13
  • SetFit: 1.0.3
  • Sentence Transformers: 2.2.2
  • Transformers: 4.36.2
  • PyTorch: 2.1.2+cu121
  • Datasets: 2.16.1
  • Tokenizers: 0.15.0

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}
}