Hugging Face's logo

mini1013
/
master_cate_fd9

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fd9 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
a991749 verified
preview code
|
raw
history blame contribute delete
11.5 kB
metadata
base_model: mini1013/master_domain
library_name: setfit
metrics:
  - metric
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: '[본죽]5첩반상 5종(진미채+멸치+연근+콩자반+깻잎) 5팩+5팩 외 밑반찬 5종 5팩+5팩 메가글로벌001'
  - text: 싸고 맛있고 영양까지 풍부한 110가지 우리집반찬/우리홈메이드푸드 도토리묵/양념 홈메이드 푸드
  - text: >-
      샘표 쓱쓱싹싹밥도둑 반찬 9봉 골라담기 / 장조림 오징어채볶음 멸치볶음 2. 고추장 멸치볶음 3봉_4. 쇠고기 장조림 3봉_6.
      돼지고기 장조림 3봉 샘표식품 주식회사
  - text: 본죽 쇠고기 장조림 170g x 4  마이엘(Maiel)
  - text: 국산 고추장멸치볶음 500g 조림 반찬 국산 오복채 1kg 사계절반찬
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: metric
            value: 0.9101876675603218
            name: Metric

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
6.0
  • '본죽 미니장조림 2박스 70gx5개입x2 셜크'
  • '[본죽]쇠고기 장조림 300g (냉장 소고기 반찬 점심 저녁 도시락 어린이 아기반찬) 순수본 주식회사'
  • '본죽 쇠고기 장조림 170g x 4 5. 비비고 육개장 500g x 5개 감성주머니'
1.0
  • '일가집 일미 쫄깃 치자 단무지 1kg 두부 날치알 피클 일가집 일미 고추지 1kg 고추절임 고추장아찌 머치바잉'
  • '일가집 일미 쫄깃 치자 단무지 1kg 두부 날치알 피클 일가집 일미 깐마늘 1kg 양파 다진마늘 청양 머치바잉'
  • '참 맛좋은 하진 반달 단무지 2.5kg 농업회사법인 봉농주식회사'
5.0
  • '진 명이나물(실속형) 10kg 대용량 업소용 식당 반찬 장아찌 05 유림 명이나물 10kg (유) 협동맛사랑식품'
  • '단풍콩잎 500g 양념 장아찌 국내제조 콩잎김치 삭힌 국산 갈치속젓 500g 사계절반찬'
  • '군산 울외장아찌 2kg 나라즈케 나라스케 술지게미 2.무 장아찌 2kg 주식회사 백년부엌'
2.0
  • '마늘쫑무침 4kg 대용량 식당 업소용 반찬 무침 장아찌 (유) 협동맛사랑식품'
  • '[서울,성남 ] 푸릇푸릇 시금치무침 300g [암사 우리집반찬] 주식회사 프레시멘토'
  • '[주문폭주] 농가살리기 30년 전통 통영할매 원조 생굴무침 330g 생굴무침 330g 1통 주식회사 청년농부들'
8.0
  • '일본식 반찬대용 츠쿠다니 김조림 180g 서울타임즈'
  • '오뚜기 고등어갈치조림양념120g 제이디(JD)'
  • '청우식품 이음식 스지사태조림 200g 푸드뱅크(주)'
4.0
  • '[종가집]종가집 오징어채볶음 60g 에스케이스토아주식회사'
  • '[반찬가게 찬장]신선한재료 당일제조 배송 고사리볶음 가정식 반찬 집밥 나물/무침/볶음 배달 밑반찬_건파래무침 주식회사 찬장에프에스대전'
  • '청정원 종가집 견과류 멸치볶음 60G 조은마켓'
7.0
  • '종가집 옛맛 무말랭이 1kg x 2개 더빈(THE BIN)'
  • '반찬단지 마늘쫑무침 1kg 아삭 마늘장아찌 반찬거리 와이엘플래닛'
  • '가을무를 말려 쫄깃하고 달큰한 국산 무말랭이 1kg 1. 국산 무말랭이 1kg 주식회사 태극인 농업회사법인'
0.0
  • '씨제이 비비고 오징어채 볶음 55g 아이스박스 포장 (주)씨티케이이비전코리아'
  • '매운 고추부각 튀각 30g 6봉 티각태각 속초 명품 특산물 김부각30g 6봉 엠앤엠컴퍼니'
  • '대구 반고개 무침회 똘똘이식당 납작만두 오징어 회무침 캠핑 밀키트 무침회세트(중)_보통맛 대구 똘똘이 무침회'
3.0
  • '미자언니네 밑반찬 하얀콩강정 120g 1팩 미자언니네 하얀콩강정 에센셜키친'
  • '[메인반찬 국 찌개 김치 세트] 건강한 반찬 이기는면역찬 메인반찬_계란말이 이기는면역찬(서초점)'
  • '[본죽] 밑반찬 5종 세트(진미채볶음 멸치볶음 깻잎무침 무말랭이 궁채절임) 메가글로벌001'

Evaluation

Metrics

Label Metric
all 0.9102

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_fd9")
# Run inference
preds = model("본죽 쇠고기 장조림 170g x 4  마이엘(Maiel)")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 10.1981 21
Label Training Sample Count
0.0 50
1.0 42
2.0 22
3.0 50
4.0 50
5.0 50
6.0 50
7.0 50
8.0 50

Training Hyperparameters

  • batch_size: (512, 512)
  • num_epochs: (20, 20)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 40
  • body_learning_rate: (2e-05, 2e-05)
  • 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: False

Training Results

Epoch Step Training Loss Validation Loss
0.0154 1 0.4845 -
0.7692 50 0.2975 -
1.5385 100 0.0992 -
2.3077 150 0.0418 -
3.0769 200 0.0246 -
3.8462 250 0.0358 -
4.6154 300 0.0185 -
5.3846 350 0.0123 -
6.1538 400 0.0121 -
6.9231 450 0.0008 -
7.6923 500 0.0003 -
8.4615 550 0.0002 -
9.2308 600 0.0001 -
10.0 650 0.0001 -
10.7692 700 0.0001 -
11.5385 750 0.0002 -
12.3077 800 0.0001 -
13.0769 850 0.0001 -
13.8462 900 0.0001 -
14.6154 950 0.0001 -
15.3846 1000 0.0001 -
16.1538 1050 0.0001 -
16.9231 1100 0.0001 -
17.6923 1150 0.0001 -
18.4615 1200 0.0001 -
19.2308 1250 0.0001 -
20.0 1300 0.0001 -

Framework Versions

  • Python: 3.10.12
  • SetFit: 1.1.0.dev0
  • Sentence Transformers: 3.1.1
  • Transformers: 4.46.1
  • PyTorch: 2.4.0+cu121
  • Datasets: 2.20.0
  • Tokenizers: 0.20.0

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}
}