Hugging Face's logo

mini1013
/
master_item_top_bt3

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_item_top_bt3 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
3dab106 verified
preview code
|
raw
history blame contribute delete
20.8 kB
metadata
base_model: klue/roberta-base
library_name: setfit
metrics:
  - accuracy
pipeline_tag: text-classification
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      마스크 오브 매그너민티 315g - 파워 마스크/페이스 앤 바디 마스크 팩  위메프 > 뷰티 > 바디/헤어 > 바디케어/워시/제모 >
      입욕제;위메프 > 뷰티 > 스킨케어 > 팩/마스크;위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 워시오프팩 /필오프팩;위메프 > 뷰티
      > 클렌징/필링 > 클렌징;위메프 > 생활·주방·반려동물 > 바디/헤어 > 바디케어/워시/제모 > 입욕제;(#M)위메프 > 뷰티 >
      스킨케어 > 팩/마스크 > 마스크시트팩 위메프 > 뷰티 > 바디/헤어 > 바디케어/워시/제모 > 입욕제
  - text: >-
      [대용량] 라네즈 크림 스킨 퀵 스킨 팩 100매(140ml) 피부진정 보습  (#M)홈>라네즈 Naverstore > 화장품/미용
      > 마스크/팩 > 수면팩
  - text: >-
      메디힐 티트리 케어솔루션 에센셜 마스크 이엑스 1매입 × 38개 LotteOn > 뷰티 > 스킨케어 > 마스크/팩 > 마스크팩
      LotteOn > 뷰티 > 스킨케어 > 마스크/팩 > 마스크팩
  - text: >-
      메디힐 마스크팩 티트리 베스트 10매 세트 수분 미백 여드름 비타 라이트빔 에센셜[10매]
      홈>화장품/미용>마스크/팩>마스크시트;홈>전체상품;(#M)홈>브랜드관>메디힐 Naverstore > 화장품/미용 > 마스크/팩 >
      마스크시트
  - text: >-
      메디힐 티트리 케어솔루션 에센셜 마스크 이엑스 1매입 × 29개 (#M)쿠팡 홈>뷰티>스킨케어>마스크/팩>시트마스크 Coupang >
      뷰티 > 스킨케어 > 마스크/팩 > 시트마스크
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: accuracy
            value: 0.7775471698113208
            name: Accuracy

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: 4 classes

Model Sources

Model Labels

Label Examples
3
  • '차앤박 CNP 안티포어 블랙헤드 클리어 키트 스트립 3세트(3회분) (#M)위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 코팩 위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 코팩'
  • '미팩토리 3단 돼지코팩 10개입 × 3개 (#M)쿠팡 홈>뷰티>스킨케어>마스크/팩>패치/코팩>코팩 Coupang > 뷰티 > 스킨케어 > 마스크/팩'
  • '[차앤박] CNP 안티포어 블랙헤드 버블 코팩 1매 / 넓은 모공 피부 / (#M)화장품/미용>마스크/팩>코팩 Naverstore > 화장품/미용 > 마스크/팩 > 코팩'
0
  • '메디힐×마리끌레르 기획전 앰플/크림/마스크팩~58% 25_메디힐 티트리 케어솔루션 에센셜마스크 [10매] 쇼킹딜 홈>뷰티>클렌징/팩/마스크>팩/마스크;11st>스킨케어>팩/마스크>마스크시트팩;(#M)11st>뷰티>클렌징/팩/마스크>팩/마스크 11st Hour Event > 패션/뷰티 > 뷰티 > 클렌징/팩/마스크 > 팩/마스크'
  • '[의료기기] 듀오덤 스팟패치 72매 [의료기기] 듀오덤 스팟패치 72매 (#M)홈>구강/건강용품>패치/겔>스팟패치 OLIVEYOUNG > 베스트 > 구강/건강용품'
  • '이지덤 뷰티 릴리프 스팟패치 57개입 3개 (#M)쿠팡 홈>생활용품>건강/의료용품>의약외품/상비용품>반창고/밴드 Coupang > 뷰티 > 스킨케어 > 마스크/팩 > 패치/코팩 > 스팟패치'
2
  • '안스킨 클래리파잉 골드 모델링 팩 1000ml 20개 (#M)홈>화장품/미용>마스크/팩>필오프팩 Naverstore > 화장품/미용 > 마스크/팩 > 필오프팩'
  • '[러쉬]오티픽스 75g - 프레쉬 페이스 마스크/마스크 팩 ssg > 뷰티 > 스킨케어 > 마스크/팩 > 시트마스크;ssg > 뷰티 > 헤어/바디 > 세정/입욕용품 > 입욕제/버블바스;ssg > 뷰티 > 스킨케어 > 마스크/팩;ssg > 뷰티 > 스킨케어 > 클렌징 ssg > 뷰티 > 스킨케어 > 마스크/팩 > 시트마스크'
  • '푸드어홀릭 콜라겐 필오프팩 150ml / 다시마 MinSellAmount (#M)화장품/향수>팩/마스크>필오프팩 Gmarket > 뷰티 > 화장품/향수 > 팩/마스크 > 필오프팩'
1
  • '물광 콜라겐 크림 티르티르 80ml 생크림 도자기 피부 물광마스크 이유빈 콜라겐물광마스크40ml (#M)홈>전체상품 Naverstore > 화장품/미용 > 남성화장품 > 크림'
  • '립 슬리핑 마스크 EX 20g 4종 베리 자몽 민트초코 애플라임 베리 (#M)홈>화장품/미용>마스크/팩>수면팩 Naverstore > 화장품/미용 > 마스크/팩 > 수면팩'
  • '설화수 한방 슬리핑마스크 나이트여운팩 120ml 1개 (#M)위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 수면팩 위메프 > 뷰티 > 스킨케어 > 팩/마스크 > 수면팩'

Evaluation

Metrics

Label Accuracy
all 0.7775

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_item_top_bt3")
# Run inference
preds = model("[대용량] 라네즈 크림 스킨 퀵 스킨 팩 100매(140ml) 피부진정 보습  (#M)홈>라네즈 Naverstore > 화장품/미용 > 마스크/팩 > 수면팩")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 11 21.75 91
Label Training Sample Count
0 50
1 50
2 50
3 50

Training Hyperparameters

  • batch_size: (64, 64)
  • num_epochs: (30, 30)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 100
  • 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
0.0032 1 0.4549 -
0.1597 50 0.3933 -
0.3195 100 0.3669 -
0.4792 150 0.2841 -
0.6390 200 0.1163 -
0.7987 250 0.0104 -
0.9585 300 0.0072 -
1.1182 350 0.0065 -
1.2780 400 0.0059 -
1.4377 450 0.0058 -
1.5974 500 0.0035 -
1.7572 550 0.0032 -
1.9169 600 0.0032 -
2.0767 650 0.0025 -
2.2364 700 0.0023 -
2.3962 750 0.0023 -
2.5559 800 0.0025 -
2.7157 850 0.0023 -
2.8754 900 0.003 -
3.0351 950 0.0026 -
3.1949 1000 0.0043 -
3.3546 1050 0.0022 -
3.5144 1100 0.0024 -
3.6741 1150 0.0025 -
3.8339 1200 0.0025 -
3.9936 1250 0.0024 -
4.1534 1300 0.0025 -
4.3131 1350 0.0025 -
4.4728 1400 0.0027 -
4.6326 1450 0.0023 -
4.7923 1500 0.0022 -
4.9521 1550 0.0026 -
5.1118 1600 0.0022 -
5.2716 1650 0.0027 -
5.4313 1700 0.0022 -
5.5911 1750 0.0024 -
5.7508 1800 0.0029 -
5.9105 1850 0.0018 -
6.0703 1900 0.0033 -
6.2300 1950 0.002 -
6.3898 2000 0.0027 -
6.5495 2050 0.0021 -
6.7093 2100 0.0022 -
6.8690 2150 0.0023 -
7.0288 2200 0.0026 -
7.1885 2250 0.0018 -
7.3482 2300 0.0024 -
7.5080 2350 0.002 -
7.6677 2400 0.0027 -
7.8275 2450 0.0022 -
7.9872 2500 0.0032 -
8.1470 2550 0.0029 -
8.3067 2600 0.0025 -
8.4665 2650 0.0017 -
8.6262 2700 0.0026 -
8.7859 2750 0.0023 -
8.9457 2800 0.0023 -
9.1054 2850 0.0029 -
9.2652 2900 0.0028 -
9.4249 2950 0.0021 -
9.5847 3000 0.0027 -
9.7444 3050 0.0019 -
9.9042 3100 0.0022 -
10.0639 3150 0.003 -
10.2236 3200 0.0024 -
10.3834 3250 0.0019 -
10.5431 3300 0.0023 -
10.7029 3350 0.0024 -
10.8626 3400 0.0026 -
11.0224 3450 0.0025 -
11.1821 3500 0.0022 -
11.3419 3550 0.0023 -
11.5016 3600 0.0027 -
11.6613 3650 0.0032 -
11.8211 3700 0.0022 -
11.9808 3750 0.0019 -
12.1406 3800 0.0029 -
12.3003 3850 0.0026 -
12.4601 3900 0.0027 -
12.6198 3950 0.0019 -
12.7796 4000 0.0021 -
12.9393 4050 0.0023 -
13.0990 4100 0.0027 -
13.2588 4150 0.0021 -
13.4185 4200 0.0022 -
13.5783 4250 0.0026 -
13.7380 4300 0.0025 -
13.8978 4350 0.0025 -
14.0575 4400 0.0021 -
14.2173 4450 0.0031 -
14.3770 4500 0.0022 -
14.5367 4550 0.0016 -
14.6965 4600 0.0027 -
14.8562 4650 0.0027 -
15.0160 4700 0.0027 -
15.1757 4750 0.0021 -
15.3355 4800 0.0027 -
15.4952 4850 0.0031 -
15.6550 4900 0.0021 -
15.8147 4950 0.0023 -
15.9744 5000 0.002 -
16.1342 5050 0.0024 -
16.2939 5100 0.0026 -
16.4537 5150 0.002 -
16.6134 5200 0.0026 -
16.7732 5250 0.0029 -
16.9329 5300 0.0023 -
17.0927 5350 0.0022 -
17.2524 5400 0.0028 -
17.4121 5450 0.0026 -
17.5719 5500 0.0017 -
17.7316 5550 0.0032 -
17.8914 5600 0.0022 -
18.0511 5650 0.0019 -
18.2109 5700 0.0024 -
18.3706 5750 0.0026 -
18.5304 5800 0.0031 -
18.6901 5850 0.0024 -
18.8498 5900 0.0018 -
19.0096 5950 0.0023 -
19.1693 6000 0.0025 -
19.3291 6050 0.0028 -
19.4888 6100 0.002 -
19.6486 6150 0.0026 -
19.8083 6200 0.0022 -
19.9681 6250 0.0025 -
20.1278 6300 0.0022 -
20.2875 6350 0.0025 -
20.4473 6400 0.0024 -
20.6070 6450 0.0027 -
20.7668 6500 0.0017 -
20.9265 6550 0.0025 -
21.0863 6600 0.0025 -
21.2460 6650 0.002 -
21.4058 6700 0.0033 -
21.5655 6750 0.0021 -
21.7252 6800 0.0022 -
21.8850 6850 0.0027 -
22.0447 6900 0.0021 -
22.2045 6950 0.0028 -
22.3642 7000 0.0021 -
22.5240 7050 0.0021 -
22.6837 7100 0.0027 -
22.8435 7150 0.0021 -
23.0032 7200 0.0029 -
23.1629 7250 0.0036 -
23.3227 7300 0.002 -
23.4824 7350 0.0021 -
23.6422 7400 0.002 -
23.8019 7450 0.0025 -
23.9617 7500 0.0024 -
24.1214 7550 0.0026 -
24.2812 7600 0.002 -
24.4409 7650 0.0024 -
24.6006 7700 0.0025 -
24.7604 7750 0.0023 -
24.9201 7800 0.0027 -
25.0799 7850 0.0023 -
25.2396 7900 0.0024 -
25.3994 7950 0.0027 -
25.5591 8000 0.0038 -
25.7188 8050 0.0065 -
25.8786 8100 0.0037 -
26.0383 8150 0.0032 -
26.1981 8200 0.0031 -
26.3578 8250 0.0028 -
26.5176 8300 0.0024 -
26.6773 8350 0.0023 -
26.8371 8400 0.0028 -
26.9968 8450 0.0023 -
27.1565 8500 0.0028 -
27.3163 8550 0.0025 -
27.4760 8600 0.0027 -
27.6358 8650 0.002 -
27.7955 8700 0.0024 -
27.9553 8750 0.0023 -
28.1150 8800 0.0029 -
28.2748 8850 0.0025 -
28.4345 8900 0.002 -
28.5942 8950 0.0025 -
28.7540 9000 0.002 -
28.9137 9050 0.0027 -
29.0735 9100 0.0028 -
29.2332 9150 0.0016 -
29.3930 9200 0.0032 -
29.5527 9250 0.0026 -
29.7125 9300 0.0025 -
29.8722 9350 0.0025 -

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 

@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}
}