---
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: 동아제약 가그린 오리지널 가글 750ml (1개) 가그린 오리지널 820ml L스토어
- text: 스켈링 입냄새 스케일러 치석제거기 구강청결기 치아 별이 빛나는 하늘 보라색 사치(sachi)
- text: 텅브러쉬 4개세트 혀클리너 입냄새제거 혀백태제거 혀칫솔 i MinSellAmount 펀키보이
- text: '[갤러리아] 폴리덴트 의치 부착재 민트향 70g x5개  한화갤러리아(주)'
- text: 애터미 치약 프로폴리스 200g 입냄새 제거 미백 콜마  플렉스세븐
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: 0.9477272727272728
      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:** 10 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                                                                                                                                                                                                                  |
|:------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 9.0   | <ul><li>'롤리팝 에디슨 항균 혀클리너 4종 퍼플 파랑새랑'</li><li>'텅브러쉬 혀클리너 입냄새제거 백태제거 혀칫솔 MinSellAmount 펀키보이'</li><li>'[생활도감] 혀클리너 세트 그린2개+네이비2개 주식회사 생활도감'</li></ul>                                                                        |
| 2.0   | <ul><li>'셀프 가정용 스테인레스 스케일링 치석제거기 청소 도구 304 핑크 6종 세트 주식회사 클라우드'</li><li>'도구 치경 제거 편도석 제거기 입똥 편도결석 목똥 셀프 발광 귀걸이x수납함 로얄산티아고'</li><li>'소형 구취 측정기 테스트기 휴대용 냄새 악취 호흡 구강 입냄새측정기 자가진단 자가 가스 표준모델 _ 검정 행복초지'</li></ul>             |
| 0.0   | <ul><li>'존슨앤존슨 구강청결 리스테린 쿨민트 250ml 후레쉬버스트 250ml - 1개 디아크코리아'</li><li>'일회용 여행용 가그린 라임10g 1개 휴대용 오리지널 가글스틱 오리지널 1개 예그린스페이스'</li><li>'가그린 제로 1200ML  쓱1day배송'</li></ul>                                                      |
| 4.0   | <ul><li>'투스노트 화이트닝겔 하루 2번 30분 투자로 누런이를 하얗게 투스노트 화이트닝겔 2주분 주식회사 네이처폴'</li><li>'루치펠로 미스틱포레스트 치약 180g 5개  원라이브팩토리'</li><li>'대형 치아모형 치아 모델 구조 인체 구강 치과 C. 구강 2배 확대(하아 제거 가능) 마켓 스페이스토끼'</li></ul>                             |
| 8.0   | <ul><li>'미소덴탈 교정장치보관함 교정기케이스 교정기통 교정기보관함-옐로우 (주)톡톡그린'</li><li>'성심 덴트크린 틀니세정제 36개입 2개 교정기 세척  희망메디'</li><li>'폴리덴트 맥스 씰 의치 부착재(의치 접착제) 70gx5개+샘플 1개  더마켓'</li></ul>                                                         |
| 6.0   | <ul><li>'백선생 왕타칫솔 베이직 스톤 10P  왕타'</li><li>'켄트칫솔 클래식 6개입 부드러운 칫솔 미세모 치아관리 어금니 치과칫솔 켄트 클래식 6개_켄트 탄 초극세모 1개(랜덤)_치간칫솔 8개입 1세트(레드 0.7mm) (주)지로인터내셔널'</li><li>'쿤달 딥 클린 탄력 항균 이중미세모 칫솔 부드러운모, 16입, 1개 구분 : 부드러운모 슈팅배송'</li></ul> |
| 3.0   | <ul><li>'오랄비 P&G 왁스치실 민트향 50m 01.왁스 치실 민트향 50m TH상사'</li><li>'오랄비 C자형 일회용 치실 30개입 1팩 NEW)치실C자 30개입[O121] 한국피앤지판매유한회사'</li><li>'오랄비 왁스치실 (50m 1개) 민트 디엔지유통'</li></ul>                                                      |
| 5.0   | <ul><li>'LG생활건강 죽염 명약원 골든프로폴리스 치약 플러스 120g MinSellAmount 오늘도연구소'</li><li>'엘지생활건강 죽염 잇몸고 치약 120g 1개  유니스'</li><li>'센소다인 오리지널 플러스 치약 100g 1개 dm  다임커머스'</li></ul>                                                           |
| 7.0   | <ul><li>'[유한양행]닥터버들 치약+칫솔 여행용세트 6개  신세계몰'</li><li>'[유한양행]닥터버들 휴대용 칫솔치약세트 1개  신세계몰'</li><li>'투톤 휴대용 칫솔 치약 케이스 캡슐형 답례품 투톤용 칫솔통 보관함 홀더 칫솔캡 캡슐칫 화이트블루 쏭리빙'</li></ul>                                                          |
| 1.0   | <ul><li>'일제 형상기억 마우스피스  아리더샾'</li><li>'혀용 코골이 방지 용품 대책용 마우스피스 8 개 세트 이와이리테일(EY리테일)'</li><li>'이갈이방지 치아 앞니 보호 유지 셀프 마우스피스 교정 2단계 코스모스'</li></ul>                                                                            |

## Evaluation

### Metrics
| Label   | Metric |
|:--------|:-------|
| **all** | 0.9477 |

## 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_lh4")
# Run inference
preds = model("애터미 치약 프로폴리스 200g 입냄새 제거 미백 콜마  플렉스세븐")
```

<!--
### 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   | 10.026 | 23  |

| 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                    |
| 9.0   | 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0127  | 1    | 0.4686        | -               |
| 0.6329  | 50   | 0.2751        | -               |
| 1.2658  | 100  | 0.1179        | -               |
| 1.8987  | 150  | 0.0739        | -               |
| 2.5316  | 200  | 0.0687        | -               |
| 3.1646  | 250  | 0.0466        | -               |
| 3.7975  | 300  | 0.0591        | -               |
| 4.4304  | 350  | 0.0232        | -               |
| 5.0633  | 400  | 0.0125        | -               |
| 5.6962  | 450  | 0.0134        | -               |
| 6.3291  | 500  | 0.0152        | -               |
| 6.9620  | 550  | 0.0175        | -               |
| 7.5949  | 600  | 0.0118        | -               |
| 8.2278  | 650  | 0.007         | -               |
| 8.8608  | 700  | 0.0003        | -               |
| 9.4937  | 750  | 0.0002        | -               |
| 10.1266 | 800  | 0.0001        | -               |
| 10.7595 | 850  | 0.0001        | -               |
| 11.3924 | 900  | 0.0001        | -               |
| 12.0253 | 950  | 0.0001        | -               |
| 12.6582 | 1000 | 0.0001        | -               |
| 13.2911 | 1050 | 0.0001        | -               |
| 13.9241 | 1100 | 0.0001        | -               |
| 14.5570 | 1150 | 0.0001        | -               |
| 15.1899 | 1200 | 0.0001        | -               |
| 15.8228 | 1250 | 0.0001        | -               |
| 16.4557 | 1300 | 0.0001        | -               |
| 17.0886 | 1350 | 0.0001        | -               |
| 17.7215 | 1400 | 0.0001        | -               |
| 18.3544 | 1450 | 0.0001        | -               |
| 18.9873 | 1500 | 0.0           | -               |
| 19.6203 | 1550 | 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.*
-->