Hugging Face's logo

mini1013
/
master_cate_bt2_test_flat_top_cate

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_bt2_test_flat_top_cate / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
4256323 verified
preview code
|
raw
history blame contribute delete
21.7 kB
metadata
base_model: mini1013/master_domain
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      본사직영 달빛유자 수면팩 60ml MinSellAmount (#M)화장품/향수>팩/마스크>수면팩/슬리핑팩 Gmarket > 뷰티 >
      화장품/향수 > 팩/마스크 > 수면팩/슬리핑팩
  - text: >-
      메디힐 BEST 마스크팩/스킨케어 ~50%세일+사은품 증정 01.티트리 에센셜 10+10+(증정)엔엠에프10
      (#M)화장품/향수>팩/마스크>마스크시트 Gmarket > 뷰티 > 화장품/향수 > 팩/마스크 > 마스크시트
  - text: >-
      메디힐 워터마이드 하이드롭 에센셜 마스크 REX 24ml  홈>전체상품;(#M)홈>스킨케어>마스크팩 Naverstore >
      화장품/미용 > 마스크/팩 > 마스크시트
  - text: >-
      아이오페 스템Ⅲ 앰플 리페어 마스크 1매 17g (+1매 추가증정) 단품없음 × 선택완료 (#M)쿠팡
      홈>뷰티>스킨케어>마스크/팩>시트마스크 Coupang > 뷰티 > 스킨케어 > 마스크/팩
  - text: >-
      [한율] 자연을 닮은 시트마스크 1매 x 10 (옵션) 빨간쌀_방어보습 (#M)11st>스킨케어>팩/마스크>마스크시트팩 11st >
      뷰티 > 스킨케어 > 팩/마스크
inference: true
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: 0.510351966873706
            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
3
  • '[차앤박] CNP 안티포어 블랙헤드 클리어 키트 스트립 3세트(3회분) LotteOn > 뷰티 > 스킨케어 > 마스크/팩 > 코팩/아이패치 LotteOn > 뷰티 > 스킨케어 > 마스크/팩 > 코팩/아이패치'
  • '[해서린] 포어 클리어 코팩 16매 (화이트/블랙/티트리) 상세 설명 참조 × 선택:티트리 코팩 16매(EH006A)(EH006A) (#M)쿠팡 홈>뷰티>스킨케어>마스크/팩>패치/코팩>코팩 Coupang > 뷰티 > 스킨케어 > 마스크/팩 > 패치/코팩 > 코팩'
  • '(2+1) 리르 올킬 쏙쏙패치 블랙헤드 코팩 16매입+8매입(총24매) LotteOn > 뷰티 > 스킨케어 > 마스크/팩 > 코팩/아이패치 LotteOn > 뷰티 > 스킨케어 > 마스크/팩 > 코팩/아이패치'
0
  • '메디앤서 비타 콜라겐 넥 마스크 1box(5매) MinSellAmount (#M)화장품/향수>팩/마스크>마스크시트 Gmarket > 뷰티 > 화장품/향수 > 팩/마스크 > 마스크시트'
  • '스템3 스페셜 2종 기획세트 바이오 컨디셔닝 에센스 하이드로 인핸싱 마스크 (#M)위메프 > 뷰티 > 명품화장품 > 스킨케어 > 스킨/토너 위메프 > 뷰티 > 명품화장품 > 스킨케어 > 스킨/토너'
  • '라운드랩 자작나무 수분 패드 80매 홈>5월 행복특가♥;홈>스킨·토너;홈>★BEST 48시간 특가전★;홈>★역대급 1일 특가★;홈>NEW 앰플 4종 런칭 기획전★;홈>최대 67% 기획전;홈>❤뷰티홈캉스;홈>♥8.238.31 브랜드 기획전♥;홈>♥9.249.30 보습대전♥;홈>💚2021쇼핑페스타💛;홈>5주년 기획전🎁;홈>🧡쭈언니PICK🧡수분多잡기;홈>아듀 2021 연말결산 세일🎄;홈>HELLO 2022 새해 첫 세일👋;홈>설-프라이즈 SALE🎊;홈>스킨케어;홈>고민별>수분·보습;(#M)홈>제품유형별>마스크·패드 Naverstore > 화장품/미용 > 스킨케어 > 스킨/토너'
2
  • '마스크 오브 매그너민티 315g - 파워 마스크/페이스 앤 바디 마스크 팩 위메프 > 뷰티 > 바디/헤어 > 바디케어/워시/제모 > 입욕제;위메프 > 뷰티 > 스킨케어 > 팩/마스크;위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 워시오프팩 /필오프팩;위메프 > 뷰티 > 클렌징/필링 > 클렌징;위메프 > 생활·주방·반려동물 > 바디/헤어 > 바디케어/워시/제모 > 입욕제;(#M)위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 마스크시트팩 위메프 > 뷰티 > 바디/헤어 > 바디케어/워시/제모 > 입욕제'
  • '로터스 유스 프리저브 레스큐 마스크 30ml 레스큐 마스크 30ml LotteOn > 뷰티 > 마스크/팩 > 워시오프팩 LotteOn > 뷰티 > 마스크/팩 > 워시오프팩'
  • '웰라 크레아틴 매직 스트레이트 N 에멀전 건강모 400ml (#M)홈>화장품/미용>헤어스타일링>파마약>스트레이트 Naverstore > 화장품/미용 > 헤어스타일링 > 파마약 > 스트레이트'
1
  • '산타마리아노벨라 이드랄리아 마스크 50ml 화이트_F (#M)11st>스킨케어>마사지크림>마사지크림 11st > 뷰티 > 스킨케어 > 마사지크림'
  • '라네즈 워터 슬리핑 마스크 EX 70ml - 최근입고 R (#M)11st>스킨케어>팩/마스크>수면팩 11st > 뷰티 > 스킨케어 > 팩/마스크 > 수면팩'
  • '[스킨알엑스] [달바] 미스트 세럼 100ml+워터풀 슬리핑팩 1BOX 단품 LotteOn > 뷰티 > 스킨케어 > 미스트 LotteOn > 뷰티 > 스킨케어 > 미스트'

Evaluation

Metrics

Label Accuracy
all 0.5104

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_bt2_test_flat_top_cate")
# Run inference
preds = model("메디힐 워터마이드 하이드롭 에센셜 마스크 REX 24ml  홈>전체상품;(#M)홈>스킨케어>마스크팩 Naverstore > 화장품/미용 > 마스크/팩 > 마스크시트")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 11 23.615 91
Label Training Sample Count
0 50
1 50
2 50
3 50

Training Hyperparameters

  • batch_size: (64, 64)
  • num_epochs: (30, 30)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 100
  • 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
0.0032 1 0.4519 -
0.1597 50 0.4406 -
0.3195 100 0.4089 -
0.4792 150 0.3854 -
0.6390 200 0.3414 -
0.7987 250 0.2792 -
0.9585 300 0.2485 -
1.1182 350 0.2268 -
1.2780 400 0.1526 -
1.4377 450 0.1375 -
1.5974 500 0.1239 -
1.7572 550 0.123 -
1.9169 600 0.1002 -
2.0767 650 0.0834 -
2.2364 700 0.0828 -
2.3962 750 0.0698 -
2.5559 800 0.0604 -
2.7157 850 0.0281 -
2.8754 900 0.0148 -
3.0351 950 0.0129 -
3.1949 1000 0.0102 -
3.3546 1050 0.0083 -
3.5144 1100 0.007 -
3.6741 1150 0.0042 -
3.8339 1200 0.0021 -
3.9936 1250 0.0002 -
4.1534 1300 0.0001 -
4.3131 1350 0.0003 -
4.4728 1400 0.0001 -
4.6326 1450 0.0001 -
4.7923 1500 0.0 -
4.9521 1550 0.0 -
5.1118 1600 0.0 -
5.2716 1650 0.0 -
5.4313 1700 0.0 -
5.5911 1750 0.0003 -
5.7508 1800 0.0 -
5.9105 1850 0.0004 -
6.0703 1900 0.0005 -
6.2300 1950 0.0026 -
6.3898 2000 0.0006 -
6.5495 2050 0.0002 -
6.7093 2100 0.0 -
6.8690 2150 0.0002 -
7.0288 2200 0.0002 -
7.1885 2250 0.0005 -
7.3482 2300 0.0006 -
7.5080 2350 0.0002 -
7.6677 2400 0.0002 -
7.8275 2450 0.0001 -
7.9872 2500 0.0014 -
8.1470 2550 0.0001 -
8.3067 2600 0.0 -
8.4665 2650 0.0 -
8.6262 2700 0.0 -
8.7859 2750 0.0 -
8.9457 2800 0.0 -
9.1054 2850 0.0 -
9.2652 2900 0.0004 -
9.4249 2950 0.0 -
9.5847 3000 0.0 -
9.7444 3050 0.0 -
9.9042 3100 0.0 -
10.0639 3150 0.0 -
10.2236 3200 0.0 -
10.3834 3250 0.0 -
10.5431 3300 0.0 -
10.7029 3350 0.0021 -
10.8626 3400 0.0002 -
11.0224 3450 0.0 -
11.1821 3500 0.0001 -
11.3419 3550 0.0 -
11.5016 3600 0.0 -
11.6613 3650 0.0 -
11.8211 3700 0.0 -
11.9808 3750 0.0 -
12.1406 3800 0.0 -
12.3003 3850 0.0002 -
12.4601 3900 0.0 -
12.6198 3950 0.0008 -
12.7796 4000 0.0002 -
12.9393 4050 0.0002 -
13.0990 4100 0.0002 -
13.2588 4150 0.0 -
13.4185 4200 0.0 -
13.5783 4250 0.0 -
13.7380 4300 0.0 -
13.8978 4350 0.0 -
14.0575 4400 0.0 -
14.2173 4450 0.0 -
14.3770 4500 0.0 -
14.5367 4550 0.0 -
14.6965 4600 0.0003 -
14.8562 4650 0.0 -
15.0160 4700 0.0 -
15.1757 4750 0.0 -
15.3355 4800 0.0 -
15.4952 4850 0.0 -
15.6550 4900 0.0 -
15.8147 4950 0.0 -
15.9744 5000 0.0 -
16.1342 5050 0.0 -
16.2939 5100 0.0 -
16.4537 5150 0.0001 -
16.6134 5200 0.0002 -
16.7732 5250 0.0 -
16.9329 5300 0.0002 -
17.0927 5350 0.0 -
17.2524 5400 0.0 -
17.4121 5450 0.0 -
17.5719 5500 0.0006 -
17.7316 5550 0.0001 -
17.8914 5600 0.0001 -
18.0511 5650 0.0 -
18.2109 5700 0.0 -
18.3706 5750 0.0002 -
18.5304 5800 0.0 -
18.6901 5850 0.0 -
18.8498 5900 0.0 -
19.0096 5950 0.0 -
19.1693 6000 0.0 -
19.3291 6050 0.0 -
19.4888 6100 0.0 -
19.6486 6150 0.0 -
19.8083 6200 0.0 -
19.9681 6250 0.0 -
20.1278 6300 0.0 -
20.2875 6350 0.0 -
20.4473 6400 0.0 -
20.6070 6450 0.0 -
20.7668 6500 0.0 -
20.9265 6550 0.0 -
21.0863 6600 0.0 -
21.2460 6650 0.0 -
21.4058 6700 0.0 -
21.5655 6750 0.0 -
21.7252 6800 0.0 -
21.8850 6850 0.0 -
22.0447 6900 0.0 -
22.2045 6950 0.0 -
22.3642 7000 0.0 -
22.5240 7050 0.0 -
22.6837 7100 0.0 -
22.8435 7150 0.0 -
23.0032 7200 0.0 -
23.1629 7250 0.0 -
23.3227 7300 0.0 -
23.4824 7350 0.0 -
23.6422 7400 0.0 -
23.8019 7450 0.0 -
23.9617 7500 0.0 -
24.1214 7550 0.0 -
24.2812 7600 0.0 -
24.4409 7650 0.0002 -
24.6006 7700 0.0 -
24.7604 7750 0.0 -
24.9201 7800 0.0 -
25.0799 7850 0.0 -
25.2396 7900 0.0 -
25.3994 7950 0.0 -
25.5591 8000 0.0 -
25.7188 8050 0.0 -
25.8786 8100 0.0 -
26.0383 8150 0.0 -
26.1981 8200 0.0 -
26.3578 8250 0.0 -
26.5176 8300 0.0 -
26.6773 8350 0.0 -
26.8371 8400 0.0 -
26.9968 8450 0.0 -
27.1565 8500 0.0 -
27.3163 8550 0.0 -
27.4760 8600 0.0 -
27.6358 8650 0.0 -
27.7955 8700 0.0 -
27.9553 8750 0.0 -
28.1150 8800 0.0001 -
28.2748 8850 0.0 -
28.4345 8900 0.0 -
28.5942 8950 0.0 -
28.7540 9000 0.0 -
28.9137 9050 0.0 -
29.0735 9100 0.0 -
29.2332 9150 0.0 -
29.3930 9200 0.0 -
29.5527 9250 0.0 -
29.7125 9300 0.0 -
29.8722 9350 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}
}