README.md

---
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: 인체모형 교육용 해부 해부학 마네킹 해골 뼈 업그레이드된버전62CM색상흰색남성모델찌를수있음 에스와이컴퍼니
- text: 고급 패브릭정리함 리빙박스 트윈커버 소형  기안79
- text: 거치대 대회 전시 진열 태권도 트로피 메달 스포츠 디스플레이 선반 가로 120 세로 20센티_라이트 텍스처 나무판자 색상표:오색 라인
    프레즈스튜디오
- text: 투명 조립식 신발장 신발 정리대 수납장 보관함 민트 살림공백
- text: 고양이 철제 실내화 정리대 슬리퍼 꽂이 걸이 거치대 현관 화장실 현관 홀더 슈즈렉 4단 고양이 실내화거치대_화이트 티비앤지컴퍼니 (TB&G
    Co.)
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: 0.937399876771411
      name: Metric
---

# 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:** 9 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                                                                                                                                                                                                                                   |
|:------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 6.0   | <ul><li>'아임홈리빙 베이직 튼튼 논슬립 옷걸이 1P 퍼플 주식회사에버원'</li><li>'[리벤스] 코팅 논슬립 바지걸이 20P / 원목 바지걸이 및 행거 G.화이트 싱글 1단 이동식행거 아소리빙'</li><li>'[ 판매] 아이지베스트 바두기 뉴매직 행거 30p  바두기'</li></ul>                                                                    |
| 3.0   | <ul><li>'스판 선풍기커버 난방기 온풍기 보관 덮개 커버 먼지차단 헤드형 스탠드형 스판선풍기커버 헤드형_베이지 굿조인'</li><li>'보관 스탠드 선풍기 커버 방수 일반형 헤드 케이스 북유럽풍 수납하기좋은 카바 헤드형_그레이 바른상회'</li><li>'공업용 선풍기 안전망 대형 산업 보호망 커버 용품 카바 30in  고퀄리'</li></ul>                                       |
| 4.0   | <ul><li>'무타공 벽부착 화장지 수납 다용도 걸이 바구니 소품 선반바 스켓 거치대 케이스 인테리어 그레이1P 이노트러스트'</li><li>'스텐 주방 싱크대 도어행거 후크 수건 행주 걸이 문걸이행거 화이트도장_도어행거1P 주식회사 제이케이씨글로벌'</li><li>'로에드 초강력 마그네틱 자석 후크 마스크 걸이 10P 미니자석후크 10개세트(E10) 데일리마켓'</li></ul>                    |
| 7.0   | <ul><li>'심플 헹거커버 헹거커버-브라운 갱자상회'</li><li>'먼지방지 프리미엄 옷커버 혼합(자켓용10P+코트용5P) 총 15P  GSSHOP_'</li><li>'인앳홈 의류먼지방지덮개 행거커버 의류오염방지커버 No 01.반투명 먼지 방지덮개 60X110 디엘시스'</li></ul>                                                                       |
| 2.0   | <ul><li>'[비카] 트롤리 /수납함/츄레이/기저귀함/이동식수납함/주방용품/식당 비카_다크크레이 '</li><li>'할메이드 주방 화장품 서랍 이동식 트롤리 틈새 선반 바퀴달린 수납장 트레이 3단 메쉬 트롤리 4단 화이트 (주)할메이드'</li><li>'아텍스 다용도 베란다벽선반 팬트리 세탁실 벽걸이 반달 화이트/봉스테인레스/올스테인레스 국내제작_MC 반달화이트 43cm_1단 1.2m 멸치쇼핑'</li></ul> |
| 1.0   | <ul><li>'쇼핑 바구니 마트 장바구니 플라스틱 시장 편의점 AA 미니 초록 쇼핑 바구니 왕대 초록 주식회사 오메가키친'</li><li>'[다이소]칸칸이수납바구니-1001900  (주)한웰이쇼핑'</li><li>'대나무 석작 한과바구니 대나무함 한과상자 폐백 떡바 타입 타입_사각 석작 - 소 이잡스2'</li></ul>                                                      |
| 0.0   | <ul><li>'[애구애구]강아지 애견 마네킹 인형 S/M/L 04_L 블랙시니어 신세계몰'</li><li>'매장용 목걸이 귀걸이 거치 마네킹 디스플레이 쥬얼리 14 소소한'</li><li>'상체마네킹 남성정장 디스플레이 마네킹 양복점 전신 드레스 스탠드 의류매장모델행거 Q 아띠쇼핑'</li></ul>                                                                  |
| 5.0   | <ul><li>'맨손진공순삭압축팩 맨손압축팩 45x70 세인 클러스터'</li><li>'대형 입체 압축팩 이불 인형 보관 상품선택_중호세로형 행밤'</li><li>'맨손진공순삭압축팩 맨손압축팩 56x80 세인 클러스터'</li></ul>                                                                                                       |
| 8.0   | <ul><li>'4개 택일 대형 중형 종이수납박스 리빙 대형 캣마스터'</li><li>'[펠로우즈] 뱅커스 베이직 / 프레스트 파일박스(2개입) 베이직 오피스디포  의왕군포점'</li><li>'펠로우즈 파일박스 Presto 블루 17243 2개  플렉스온컴퍼니'</li></ul>                                                                               |

## Evaluation

### Metrics
| Label   | Metric |
|:--------|:-------|
| **all** | 0.9374 |

## 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_lh14")
# Run inference
preds = model("고급 패브릭정리함 리빙박스 트윈커버 소형  기안79")
```

<!--
### 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   | 10.5244 | 22  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0.0   | 50                    |
| 1.0   | 50                    |
| 2.0   | 50                    |
| 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0141  | 1    | 0.3887        | -               |
| 0.7042  | 50   | 0.3275        | -               |
| 1.4085  | 100  | 0.1223        | -               |
| 2.1127  | 150  | 0.0307        | -               |
| 2.8169  | 200  | 0.0273        | -               |
| 3.5211  | 250  | 0.0253        | -               |
| 4.2254  | 300  | 0.0097        | -               |
| 4.9296  | 350  | 0.0156        | -               |
| 5.6338  | 400  | 0.0156        | -               |
| 6.3380  | 450  | 0.0175        | -               |
| 7.0423  | 500  | 0.0136        | -               |
| 7.7465  | 550  | 0.0117        | -               |
| 8.4507  | 600  | 0.002         | -               |
| 9.1549  | 650  | 0.0174        | -               |
| 9.8592  | 700  | 0.0155        | -               |
| 10.5634 | 750  | 0.0136        | -               |
| 11.2676 | 800  | 0.0193        | -               |
| 11.9718 | 850  | 0.0135        | -               |
| 12.6761 | 900  | 0.0004        | -               |
| 13.3803 | 950  | 0.0001        | -               |
| 14.0845 | 1000 | 0.0001        | -               |
| 14.7887 | 1050 | 0.0001        | -               |
| 15.4930 | 1100 | 0.0           | -               |
| 16.1972 | 1150 | 0.0           | -               |
| 16.9014 | 1200 | 0.0           | -               |
| 17.6056 | 1250 | 0.0           | -               |
| 18.3099 | 1300 | 0.0           | -               |
| 19.0141 | 1350 | 0.0           | -               |
| 19.7183 | 1400 | 0.0           | -               |

### 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
```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.*
-->