---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Battle 배틀 유스 팡스 마우스 가드 2팩 스포츠/레저>보호용품>마우스피스
- text: 프로이론 바벨 스쿼드 패드 헬스 목 어깨보호대 스포츠/레저>보호용품>어깨보호대
- text: 체육관 비치용 마우스피스 복싱 가드 태권도 합기도 스포츠/레저>보호용품>마우스피스
- text: 태권도 헤드기어 호구 헬멧 보호장비 킥복싱 스포츠/레저>보호용품>머리보호대
- text: 에버라스트 Everlast EverGel 마우스가드 그린 1400009 스포츠/레저>보호용품>마우스피스
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: mini1013/master_domain
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: 1.0
      name: Accuracy
---

# 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:** 13 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                                                                                                                                                                                                                                                        |
|:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 4.0   | <ul><li>'쇼크 닥터 스포츠/레저>보호용품>몸통보호대'</li><li>'지폼 흉골 심장보호대 M SN020201 스포츠/레저>보호용품>몸통보호대'</li><li>'격투기보호대 보호구 무에타이 가드 가슴 훈련 복부 스포츠/레저>보호용품>몸통보호대'</li></ul>                                                                                                          |
| 3.0   | <ul><li>'UNKNOWN 언더아머 UNDER ARMOUR 럭비 레귤러 헤드 캡 럭비 헤드 기어 MEN 맨즈 TEAM UA RUGBY REGULAR H 스포츠/레저>보호용품>머리보호대'</li><li>'에버라스트 머리보호대 USA 가죽 헤드기어 S EVULHG03 스포츠/레저>보호용품>머리보호대'</li><li>'클레토레예스 CLETO REYES Cheek Protection 헤드기어 남녀공용 스몰 스포츠/레저>보호용품>머리보호대'</li></ul> |
| 6.0   | <ul><li>'이지중량밴드 2kg 1kg 2개세트 중량밴드 모래주머니 중량밴드 발목중량밴드 EU322 스포츠/레저>보호용품>발목보호대'</li><li>'조깅 모래주머니 홈트 중량밴드 2개 산책 군인발목보호대 레져 스포츠/레저>보호용품>발목보호대'</li><li>'OS1st FS6 미국특허 종아리 발목 보호대 밴드 아대 스포츠 등산 축구 운동 스포츠/레저>보호용품>발목보호대'</li></ul>                                   |
| 0.0   | <ul><li>'손바닥 훈련용 낭심보호대 운동 스파링 복싱 태권도 격투기논슬립 메쉬 패드 손목 보호장갑 스포츠/레저>보호용품>급소보호대'</li><li>'3M 프로텍트 컴포트 시공 스타일 포지셔닝 하니스 2X-대 1개케이스 1161208 스포츠/레저>보호용품>급소보호대'</li><li>'위닝 스탠다드 그로인가드 훈련 낭심보호대 컵 성인 스포츠/레저>보호용품>급소보호대'</li></ul>                                       |
| 2.0   | <ul><li>'파펜 독일 민트 마우스 가드 스포츠/레저>보호용품>마우스피스'</li><li>'마우스피스더블 팔 정강이 보호대 페이스마스크 장비SG 아대 호구 헤드기어 장갑 샅보대 스포츠/레저>보호용품>마우스피스'</li><li>'BATTLE 배틀 3D Predator Oxygen 풋볼 마우스가드 피스 미식축구 보호 스포츠/레저>보호용품>마우스피스'</li></ul>                                                  |
| 10.0  | <ul><li>'ATEX 스포츠텍스 A450 5cm x 5m 스포츠/레저>보호용품>테이핑요법'</li><li>'UNKNOWN 나사라 퀵스트립 엘보우 근육테이프 스포츠/레저>보호용품>테이핑요법'</li><li>'파워풀엑스 메디핑 다이아몬드 타입 근육테이프 스포츠/레저>보호용품>테이핑요법'</li></ul>                                                                                      |
| 12.0  | <ul><li>'하빈져 맨즈 헥스코어 벨트 헬스벨트 리프팅 복대 허리보호대 스포츠/레저>보호용품>허리보호대'</li><li>'SALOMON ADV 스킨 벨트 - 에보니 SKIN BELT EBONY LC1758200 스포츠/레저>보호용품>허리보호대'</li><li>'No 1베스트셀러 패키지 하빈져 헬스벨트 5인치 폼코어 벨트 리프팅그립 리유저블백 스포츠/레저>보호용품>허리보호대'</li></ul>                                  |
| 1.0   | <ul><li>'플러그피트니스 싱글 정강이 발목 웨이트바 I 편측 발목 운동 레그리프트 스포츠/레저>보호용품>다리보호대'</li><li>'여자 종아리 압박 밴드 보호대 토시 아대 카프 슬리브 스포츠/레저>보호용품>다리보호대'</li><li>'키모니 슬개골하단압박용 정강이 보호대 발목 KI20107 스포츠/레저>보호용품>다리보호대'</li></ul>                                                             |
| 9.0   | <ul><li>'군인 어깨보호대 조절형 어깨 고정 회전근개 보호대 보조기 아대 스포츠 스포츠/레저>보호용품>어깨보호대'</li><li>'회전근개보호대 헬스 운동 테니스 어깨 아대 보호대 스포츠/레저>보호용품>어깨보호대'</li><li>'디앤엠 1001 어깨보호대 2라인압박 오십견특수편제법 WDDBB1D 스포츠/레저>보호용품>어깨보호대'</li></ul>                                                          |
| 11.0  | <ul><li>'OS1st ES6 미국특허 팔꿈치 보호대 엘보우 아대 헬스 테니스 골프 밴드 OS1-65340N 스포츠/레저>보호용품>팔보호대'</li><li>'키모니 탁터엘보 골프 테니스 배드민턴 엘보 KSP221 스포츠/레저>보호용품>팔보호대'</li><li>'레토 엘보 팔꿈치 보호대 헬스 테니스 골프 팔 아대 밴드 LSL-EB01 스포츠/레저>보호용품>팔보호대'</li></ul>                                        |
| 5.0   | <ul><li>'star 스타 소프트 무릎보호대 WHITE-L XD330 스포츠/레저>보호용품>무릎보호대'</li><li>'시그맥스 잠스트 무릎보호대 ZK-7 스포츠/레저>보호용품>무릎보호대'</li><li>'무릎 슬개골 보호대 등산 헬스 테니스 DD-12303 스포츠/레저>보호용품>무릎보호대'</li></ul>                                                                                 |
| 7.0   | <ul><li>'SPELISPOS 여성용 긴팔 서핑 슈트 UV 수상 스포츠 타이트한 수영복 바다 해변 고탄성 다이빙 상의 스포츠/레저>보호용품>배보호대'</li><li>'뉴엘라 캡 59FIFTY 신시내티 레즈로드 62 스포츠/레저>보호용품>배보호대'</li><li>'더블 프레스 신처 언더 버스트 코르셋 바디 셰이퍼 허리 슬리밍 벨트 지퍼 스포츠/레저>보호용품>배보호대'</li></ul>                                       |
| 8.0   | <ul><li>'프로스펙스 다이얼 손목 보호대 아대 밴드 고정 스포츠/레저>보호용품>손목보호대'</li><li>'디닥착 손목보호대 손목아대 손목밴드 우S 밴드 안함 스포츠/레저>보호용품>손목보호대'</li><li>'마모디 손목밴드 1 1 스포츠/레저>보호용품>손목보호대'</li></ul>                                                                                               |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 1.0      |

## 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_sl13")
# Run inference
preds = model("태권도 헤드기어 호구 헬멧 보호장비 킥복싱 스포츠/레저>보호용품>머리보호대")
```

<!--
### 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   | 2   | 9.0551 | 21  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0.0   | 70                    |
| 1.0   | 69                    |
| 2.0   | 70                    |
| 3.0   | 70                    |
| 4.0   | 69                    |
| 5.0   | 70                    |
| 6.0   | 70                    |
| 7.0   | 70                    |
| 8.0   | 70                    |
| 9.0   | 69                    |
| 10.0  | 70                    |
| 11.0  | 70                    |
| 12.0  | 70                    |

### Training Hyperparameters
- batch_size: (256, 256)
- num_epochs: (30, 30)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 50
- 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0056  | 1    | 0.5164        | -               |
| 0.2809  | 50   | 0.4982        | -               |
| 0.5618  | 100  | 0.3968        | -               |
| 0.8427  | 150  | 0.2131        | -               |
| 1.1236  | 200  | 0.0919        | -               |
| 1.4045  | 250  | 0.031         | -               |
| 1.6854  | 300  | 0.0171        | -               |
| 1.9663  | 350  | 0.0078        | -               |
| 2.2472  | 400  | 0.0066        | -               |
| 2.5281  | 450  | 0.0002        | -               |
| 2.8090  | 500  | 0.0           | -               |
| 3.0899  | 550  | 0.0           | -               |
| 3.3708  | 600  | 0.0001        | -               |
| 3.6517  | 650  | 0.0           | -               |
| 3.9326  | 700  | 0.0           | -               |
| 4.2135  | 750  | 0.0           | -               |
| 4.4944  | 800  | 0.0001        | -               |
| 4.7753  | 850  | 0.0           | -               |
| 5.0562  | 900  | 0.0           | -               |
| 5.3371  | 950  | 0.0           | -               |
| 5.6180  | 1000 | 0.0           | -               |
| 5.8989  | 1050 | 0.0002        | -               |
| 6.1798  | 1100 | 0.0           | -               |
| 6.4607  | 1150 | 0.0           | -               |
| 6.7416  | 1200 | 0.0           | -               |
| 7.0225  | 1250 | 0.0           | -               |
| 7.3034  | 1300 | 0.0           | -               |
| 7.5843  | 1350 | 0.0           | -               |
| 7.8652  | 1400 | 0.0           | -               |
| 8.1461  | 1450 | 0.0           | -               |
| 8.4270  | 1500 | 0.0           | -               |
| 8.7079  | 1550 | 0.0           | -               |
| 8.9888  | 1600 | 0.0           | -               |
| 9.2697  | 1650 | 0.0           | -               |
| 9.5506  | 1700 | 0.0           | -               |
| 9.8315  | 1750 | 0.0           | -               |
| 10.1124 | 1800 | 0.0           | -               |
| 10.3933 | 1850 | 0.0           | -               |
| 10.6742 | 1900 | 0.0           | -               |
| 10.9551 | 1950 | 0.0           | -               |
| 11.2360 | 2000 | 0.0           | -               |
| 11.5169 | 2050 | 0.0           | -               |
| 11.7978 | 2100 | 0.0           | -               |
| 12.0787 | 2150 | 0.0           | -               |
| 12.3596 | 2200 | 0.0           | -               |
| 12.6404 | 2250 | 0.0           | -               |
| 12.9213 | 2300 | 0.0           | -               |
| 13.2022 | 2350 | 0.0           | -               |
| 13.4831 | 2400 | 0.0           | -               |
| 13.7640 | 2450 | 0.0           | -               |
| 14.0449 | 2500 | 0.0           | -               |
| 14.3258 | 2550 | 0.0           | -               |
| 14.6067 | 2600 | 0.0           | -               |
| 14.8876 | 2650 | 0.0           | -               |
| 15.1685 | 2700 | 0.0           | -               |
| 15.4494 | 2750 | 0.0           | -               |
| 15.7303 | 2800 | 0.0           | -               |
| 16.0112 | 2850 | 0.0           | -               |
| 16.2921 | 2900 | 0.0           | -               |
| 16.5730 | 2950 | 0.0           | -               |
| 16.8539 | 3000 | 0.0           | -               |
| 17.1348 | 3050 | 0.0           | -               |
| 17.4157 | 3100 | 0.0           | -               |
| 17.6966 | 3150 | 0.0           | -               |
| 17.9775 | 3200 | 0.0           | -               |
| 18.2584 | 3250 | 0.0           | -               |
| 18.5393 | 3300 | 0.0           | -               |
| 18.8202 | 3350 | 0.0           | -               |
| 19.1011 | 3400 | 0.0           | -               |
| 19.3820 | 3450 | 0.0           | -               |
| 19.6629 | 3500 | 0.0           | -               |
| 19.9438 | 3550 | 0.0           | -               |
| 20.2247 | 3600 | 0.0           | -               |
| 20.5056 | 3650 | 0.0           | -               |
| 20.7865 | 3700 | 0.0           | -               |
| 21.0674 | 3750 | 0.0           | -               |
| 21.3483 | 3800 | 0.0           | -               |
| 21.6292 | 3850 | 0.0           | -               |
| 21.9101 | 3900 | 0.0           | -               |
| 22.1910 | 3950 | 0.0           | -               |
| 22.4719 | 4000 | 0.0           | -               |
| 22.7528 | 4050 | 0.0           | -               |
| 23.0337 | 4100 | 0.0           | -               |
| 23.3146 | 4150 | 0.0           | -               |
| 23.5955 | 4200 | 0.0           | -               |
| 23.8764 | 4250 | 0.0           | -               |
| 24.1573 | 4300 | 0.0           | -               |
| 24.4382 | 4350 | 0.0           | -               |
| 24.7191 | 4400 | 0.0           | -               |
| 25.0    | 4450 | 0.0           | -               |
| 25.2809 | 4500 | 0.0           | -               |
| 25.5618 | 4550 | 0.0           | -               |
| 25.8427 | 4600 | 0.0           | -               |
| 26.1236 | 4650 | 0.0           | -               |
| 26.4045 | 4700 | 0.0           | -               |
| 26.6854 | 4750 | 0.0           | -               |
| 26.9663 | 4800 | 0.0           | -               |
| 27.2472 | 4850 | 0.0           | -               |
| 27.5281 | 4900 | 0.0           | -               |
| 27.8090 | 4950 | 0.0           | -               |
| 28.0899 | 5000 | 0.0           | -               |
| 28.3708 | 5050 | 0.0           | -               |
| 28.6517 | 5100 | 0.0           | -               |
| 28.9326 | 5150 | 0.0           | -               |
| 29.2135 | 5200 | 0.0           | -               |
| 29.4944 | 5250 | 0.0           | -               |
| 29.7753 | 5300 | 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
```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.*
-->