Hugging Face's logo

mini1013
/
master_item_bt

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_item_bt / README.md
mini1013's picture
mini1013
Upload folder using huggingface_hub
b4676b4 verified
preview code
|
raw
history blame contribute delete
20.6 kB
metadata
base_model: klue/roberta-base
library_name: setfit
metrics:
  - metric
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: 닥터 브로너스 그린티 퓨어 캐스틸 바솝 140g 3개 옵션없음 (주)엠아이인터내셔널
  - text: 에치앤지 코스노리 아이래쉬 틴팅 세럼 9g 옵션없음 탑서비스
  - text: '[VT] 피디알엔 리들샷 옵션없음 (주)지에스리테일 홈쇼핑'
  - text: 1950년대 영국체어 옵션없음 4Umall (포유몰)
  - text: Tip Top 팁탑 포마드 오리지널 120g [한정수량할인] 바르노 포마드_01 바르노 오리지널(수성) 주식회사 설빈
inference: true
model-index:
  - name: SetFit with klue/roberta-base
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: metric
            value: 0.8909090909090909
            name: Metric

SetFit with klue/roberta-base

This is a SetFit model that can be used for Text Classification. This SetFit model uses klue/roberta-base 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 Type: SetFit
  • Sentence Transformer body: klue/roberta-base
  • Classification head: a LogisticRegression instance
  • Maximum Sequence Length: 512 tokens
  • Number of Classes: 13 classes

Model Sources

Model Labels

Label Examples
1
  • '바디콕 발톱솔루션 문제성 발톱 영양제 손발톱 강화제 진정 손톱 케어제 큐어유 [갯수한정] 3개월분 ⭐패밀리 패키지⭐ 주식회사 씨앤알커머스'
  • '요거트젤 젤라또 파스텔시럽젤 9종 [단품] S29 네일컴퍼니'
  • '그라시아 크레이지 탑 띠크 25g 크레이지탑젤 스탠다드 40g 지구글로벌 스토어'
6
  • '래쉬홀릭 3D 속눈썹 영양제 옵션없음 뷰티맨이야'
  • '키치캐치 치키 컬러 밤 (8 Colors) PLAYFUL 주식회사 링크스'
  • '입큰 플러피 듀얼 립 펜슬 라이너 1호 미닝피치 X 2개 옵션없음 비엔엠코리아'
8
  • '에스트라 아스트라 아토베리어 로션 MD 200ml 1개 옵션없음 케이니크'
  • 'Alpinestars 넥 튜브블랙 레드 플루오 블랙 레드_One 사이즈 브릭스썬'
  • '테라로직 정상가 38000원 펜타마이드 리얼 브라이트닝 10C 앰플 50ml 옵션없음 엠비즈에이'
2
  • '토시도 아이존 시트 20매 / 면 눈가 전용 아이 시트지 부직포 옵션없음 페이즈'
  • '[NEW] 해서린 포어 멜팅 와이드 슈링코팩 4매 옵션없음 휴리빙'
  • '하비언니X노모크 수면팩 48구 주식회사 디스토리'
7
  • '바나나보트 에프터썬 알로에젤 수딩젤 473ml 3개입 바나나보트 알로에젤 473ml/3개입 스테디세일러'
  • '코레스 코코넛-아몬드 키즈 컴포트 썬 스프레이 SPF50 150ml / KORRES 옵션없음 Minsun Kim'
  • '바이오가 수딩젤 피토스핑고신 스쿠알렌 글루세린 250ML 1개 바이오가 수딩젤 피토스핑고신 250ML 1개 레몽샵'
5
  • '쌍테 누드스킨 슬림형 쌍커풀테이프 쌍커플테이프 쌍거풀테이프 옵션없음 셀렉트림'
  • '새로핸즈 스프레이 투명 유리 검정캡 10ml (스크류타입) 옵션없음 (주)새로핸즈'
  • '원씽 원형 빅 패드 70매입 옵션없음 (주)원씽'
3
  • 'Lush Silky Underwear Dusting Powder 러쉬 실키 언더웨어 더스트 더스팅 파우더 60g 2팩 옵션없음 이펄 Effal2'
  • '다이나믹스킨 왁싱재료 왁싱부직포 100매 무슬린천 옵션없음 코리안집시'
  • '누리네 때비누 황토/쑥 누리네 때비누 황토 주식회사 억조상사'
0
  • '니베아 립케어 립밤 5.5ml 모이스처 옵션없음 삼성메디원'
  • '라끄베르 옴므 리:차지 2종세트 옵션없음 뷰티트리'
  • '피지오겔 DMT 크림150 옵션없음 (주)지에스리테일 홈쇼핑'
4
  • '에이지투웨니스 블랙 골드 팩트 본품+리필+커피쿠폰 23호 미디움 베이지+커피쿠폰 주식회사 아이홀릭'
  • '입생로랑 NEW 메쉬 핑크 쿠션 12g 리필 B25 옵션없음 쇼핑사거리'
  • '힌스 세컨 스킨 메쉬 매트 쿠션(본품+리필) [본품+리필] 17 포슬린 하늘바다너머'
9
  • '[본사제품최신제조] 인셀덤 엑티브 클린업 파우더 90g 폼 클렌징 가루 효소 세안제 옵션없음 미라클'
  • '[제로이드] 인텐시브 페이셜 크림 클렌저 180ml 옵션없음 주식회사 트리티스'
  • '라미 라피네 야채 딥 300ml 옵션없음 행복이'
11
  • '미쟝센 스타일 케어 프로 스트롱 홀드 스프레이 300ml/ (2개이상 복수구매시 추가할인) 옵션없음 다판다'
  • '웰라프로페셔널 일루미나 컬러 염색약 80g 산화제미포함 일루미나산화제미포함_웰라 일루미나 블로썸-6 [80g] 티비'
  • '아모스 에센셜 시스테인 펌 150ml + 150ml 시스테인펌제 옵션없음 티비'
12
  • '이브로셰 라즈베리 헤어식초 400ml 8750943 옵션없음 비티엘파트너'
  • '이브로쉐 리프레쉬 헤어식초(모링가) 400ml 옵션없음 스루치로 유한책임회사'
  • '[우신] R&B(알앤비) 아로마 pH 컨트롤 500ml 피에이치 컨트롤 컬강화제 옵션없음 송이뷰티'
10
  • '지미추 플로럴 EDT 40ml+랜덤쇼핑백 옵션없음 아이스큐브'
  • '라벤더 프렌치 유기농 에센셜오일 100ml 대용량 고농축 허브 아로마오일 불면증에좋은 숙면 테라피 디퓨저 옵션없음 마이소르 주식회사'
  • '조말론 블랙베리 앤 베이 오 드 코롱 50ml 옵션없음 블랑블랑'

Evaluation

Metrics

Label Metric
all 0.8909

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("setfit_model_id")
# Run inference
preds = model("1950년대 영국체어 옵션없음 4Umall (포유몰)")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 9.8008 33
Label Training Sample Count
0 1281
1 582
2 681
3 1592
4 587
5 706
6 1206
7 587
8 1081
9 1077
10 224
11 567
12 699

Training Hyperparameters

  • batch_size: (512, 512)
  • num_epochs: (10, 10)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 20
  • 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
0.0012 1 0.4342 -
0.0588 50 0.3693 -
0.1176 100 0.3229 -
0.1765 150 0.2888 -
0.2353 200 0.2413 -
0.2941 250 0.2136 -
0.3529 300 0.1925 -
0.4118 350 0.1672 -
0.4706 400 0.1529 -
0.5294 450 0.13 -
0.5882 500 0.1112 -
0.6471 550 0.0979 -
0.7059 600 0.0873 -
0.7647 650 0.0575 -
0.8235 700 0.0482 -
0.8824 750 0.0729 -
0.9412 800 0.0411 -
1.0 850 0.0542 -
1.0588 900 0.0626 -
1.1176 950 0.0385 -
1.1765 1000 0.0373 -
1.2353 1050 0.0276 -
1.2941 1100 0.0205 -
1.3529 1150 0.0275 -
1.4118 1200 0.0226 -
1.4706 1250 0.0231 -
1.5294 1300 0.0273 -
1.5882 1350 0.0183 -
1.6471 1400 0.0158 -
1.7059 1450 0.0112 -
1.7647 1500 0.0068 -
1.8235 1550 0.0098 -
1.8824 1600 0.0047 -
1.9412 1650 0.0053 -
2.0 1700 0.0027 -
2.0588 1750 0.0007 -
2.1176 1800 0.0015 -
2.1765 1850 0.0042 -
2.2353 1900 0.002 -
2.2941 1950 0.0018 -
2.3529 2000 0.0023 -
2.4118 2050 0.0025 -
2.4706 2100 0.0014 -
2.5294 2150 0.0007 -
2.5882 2200 0.0005 -
2.6471 2250 0.0042 -
2.7059 2300 0.0022 -
2.7647 2350 0.0028 -
2.8235 2400 0.0004 -
2.8824 2450 0.0003 -
2.9412 2500 0.0009 -
3.0 2550 0.0002 -
3.0588 2600 0.0011 -
3.1176 2650 0.001 -
3.1765 2700 0.0003 -
3.2353 2750 0.0006 -
3.2941 2800 0.0034 -
3.3529 2850 0.0002 -
3.4118 2900 0.0012 -
3.4706 2950 0.0004 -
3.5294 3000 0.0004 -
3.5882 3050 0.0002 -
3.6471 3100 0.0002 -
3.7059 3150 0.0002 -
3.7647 3200 0.0001 -
3.8235 3250 0.002 -
3.8824 3300 0.0026 -
3.9412 3350 0.0001 -
4.0 3400 0.0001 -
4.0588 3450 0.0001 -
4.1176 3500 0.0003 -
4.1765 3550 0.0001 -
4.2353 3600 0.0005 -
4.2941 3650 0.0002 -
4.3529 3700 0.0003 -
4.4118 3750 0.0001 -
4.4706 3800 0.0025 -
4.5294 3850 0.0003 -
4.5882 3900 0.0003 -
4.6471 3950 0.0002 -
4.7059 4000 0.0005 -
4.7647 4050 0.0002 -
4.8235 4100 0.0022 -
4.8824 4150 0.0001 -
4.9412 4200 0.0001 -
5.0 4250 0.0009 -
5.0588 4300 0.0001 -
5.1176 4350 0.0001 -
5.1765 4400 0.0002 -
5.2353 4450 0.0002 -
5.2941 4500 0.0013 -
5.3529 4550 0.0005 -
5.4118 4600 0.0003 -
5.4706 4650 0.0001 -
5.5294 4700 0.0001 -
5.5882 4750 0.0003 -
5.6471 4800 0.0002 -
5.7059 4850 0.0002 -
5.7647 4900 0.0001 -
5.8235 4950 0.0001 -
5.8824 5000 0.0001 -
5.9412 5050 0.0001 -
6.0 5100 0.0001 -
6.0588 5150 0.0001 -
6.1176 5200 0.0009 -
6.1765 5250 0.0017 -
6.2353 5300 0.0 -
6.2941 5350 0.0016 -
6.3529 5400 0.0001 -
6.4118 5450 0.0004 -
6.4706 5500 0.0001 -
6.5294 5550 0.0011 -
6.5882 5600 0.0001 -
6.6471 5650 0.0016 -
6.7059 5700 0.0008 -
6.7647 5750 0.0001 -
6.8235 5800 0.0 -
6.8824 5850 0.0 -
6.9412 5900 0.0001 -
7.0 5950 0.0001 -
7.0588 6000 0.0001 -
7.1176 6050 0.0001 -
7.1765 6100 0.0001 -
7.2353 6150 0.0 -
7.2941 6200 0.0001 -
7.3529 6250 0.0 -
7.4118 6300 0.0008 -
7.4706 6350 0.0 -
7.5294 6400 0.0 -
7.5882 6450 0.0 -
7.6471 6500 0.0 -
7.7059 6550 0.0004 -
7.7647 6600 0.0 -
7.8235 6650 0.0 -
7.8824 6700 0.0 -
7.9412 6750 0.0001 -
8.0 6800 0.0 -
8.0588 6850 0.0 -
8.1176 6900 0.0 -
8.1765 6950 0.0 -
8.2353 7000 0.0 -
8.2941 7050 0.0001 -
8.3529 7100 0.0001 -
8.4118 7150 0.0 -
8.4706 7200 0.0 -
8.5294 7250 0.0 -
8.5882 7300 0.0 -
8.6471 7350 0.0 -
8.7059 7400 0.0 -
8.7647 7450 0.0 -
8.8235 7500 0.0 -
8.8824 7550 0.0 -
8.9412 7600 0.0 -
9.0 7650 0.0 -
9.0588 7700 0.0 -
9.1176 7750 0.0 -
9.1765 7800 0.0 -
9.2353 7850 0.0 -
9.2941 7900 0.0002 -
9.3529 7950 0.0 -
9.4118 8000 0.0 -
9.4706 8050 0.0 -
9.5294 8100 0.0 -
9.5882 8150 0.0 -
9.6471 8200 0.0 -
9.7059 8250 0.0 -
9.7647 8300 0.0 -
9.8235 8350 0.0001 -
9.8824 8400 0.0 -
9.9412 8450 0.0 -
10.0 8500 0.0 -

Framework Versions

  • Python: 3.10.12
  • SetFit: 1.1.0.dev0
  • Sentence Transformers: 3.1.1
  • Transformers: 4.45.1
  • 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}
}