Hugging Face's logo

mini1013
/
master_cate_el7

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_el7 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
00df84b verified
preview code
|
raw
history blame contribute delete
11.5 kB
metadata
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: >-
      삼성 노트북 NT450R5E K81S K82P K82W K83S K85S 정품 어댑터 아답터 아답타 충전기 AD-6019R 19V
      3.16A  뉴 스마트 전자
  - text: 인트존 205X 노트북 파우치 13인치 15인치 핸디 가방 13인치_스모키블랙 크로니시스템
  - text: 엑토(ACTTO) NBL-04 노트북 도난방지 케이블/(화이트)  국진컴퓨터
  - text: 삼성 정품어댑터AD-4019A/19V2.1A/NT930X5J-K82S/4019P  엔티와이
  - text: LG 그램 17Z90SP & 17ZD90SP 17인치 퓨어 저반사 지문방지 액정보호필름  제트비컴퍼니
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: 0.9272844272844273
            name: Metric

SetFit with mini1013/master_domain

This is a SetFit model that can be used for Text Classification. This SetFit model uses mini1013/master_domain 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 Sources

Model Labels

Label Examples
8
  • 'MSI 프레스티지 16 AI Evo B1MG 노트북 키스킨 커버 무소음 키보드 올유어리브'
  • '맥북 에어 15인치 키스킨 M2 실리콘 키보드덮개 (주)스코코'
  • '삼성갤럭시북3 Go 키스킨 NT345XPA-KC04S 키스킨 키커버 14인치 실리스킨 문자인쇄 키스킨(블랙) 에이플'
0
  • '칼디짓 엘레멘트독 CalDigit Element Dock 썬더볼트4 독 멀티허브 맥북프로 Element Dock (주)디엔에이치'
  • '마하링크 2.5인치 SATA 멀티부스트 ML-MBS127 디메이드 (DMADE)'
  • 'AA-AE2N12B usb 젠더 컴퓨터 인터넷 설치 랜 포트 에스아이'
3
  • '잘만 ZM-NS1000 정품/노트북 받침대/쿨링패드 주식회사보성닷컴'
  • '-잘만 ZM-NS1 (블랙)- 주식회사 케이에이치몰'
  • '잘만 노트북 쿨링 받침대 ZM-NS2000 (주)아싸컴'
5
  • 'W01 HP Omen 17-ANxxxTX 시리즈용 Crystal액정보호필름 더블유공일'
  • '맥북 에어 15인치 필름 M2 무광 하판 외부 1매 무광 상판 1매 (주)스코코'
  • '맥북에어 M3 2024 15인치 외부보호필름 3종세트 에이엠스토어'
1
  • '이지엘 국산 가벼운 손잡이 노트북 파우치 케이스 13.3인치 For 13.3인치_스모키블랙 이지엘'
  • '[에버키] Titan 타이탄 EKP120 18.4인치 비투비마스터'
  • 'LG 그램 14인치 전용 가죽 파우치 (주) 티앤티정보 용산전자랜드지점'
6
  • '[프라임디렉트] 아답터, 220V / 19V 3.42A [내경2.1~2.5mm/외경5.5mm] 전원 케이블 미포함 [비닐포장] (주)컴퓨존'
  • '삼성 정품 노트북 NT-RV720 / 19V 3.16A AD-6019S AD-6019R 정품 전원 어댑터 고다'
  • 'EFM ipTIME 어댑터 48V-0.5A (ipTIME 제품군 호환용) [ 아이피타임 ] (주)클럽라이더'
7
  • 'HP 노트북배터리 14 15 TPN-Q207 Q208 HT03XL 호환용배터리 라온하람몰'
  • '(AA-PB9NC6B)삼성 정품 노트북 배터리/NT-RF410 RF411 RF510 RF511 RF710 RF711 전용 엔티와이'
  • '삼성 정품 배터리 AA-PB9NC6B/NT-R530 R540 전용 노트북 배터리/ NTY 엔티와이'
2
  • '강원전자 넷메이트 노트북 도난방지 USB포트 와이어 잠금장치 키 타입 NM-SLL05M 보다넷'
  • '노트북 도난방지 와이어 잠금장치 NM-SLL03 주식회사 루피하루'
  • '엑토(ACTTO) NBL-01 노트북 도난방지 케이블/잠금장치 국진컴퓨터'
4
  • 'ASUS 비보북 15 X1504ZA 노트북보안필름 프라이버시 사생활보호 거치형 거치형보안필름_1장 한성'
  • '[1300K] HP 빅터스 16-SxxxxAN 거치식 양면 사생활보호필터F 엔에이치엔위투 주식회사'
  • '삼성전자 갤럭시북4 NT750XGL-XC51S 노트북보안필름 프라이버시 사생활보호 부착형 부착형보안필름_1장 원일'

Evaluation

Metrics

Label Metric
all 0.9273

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_cate_el7")
# Run inference
preds = model("엑토(ACTTO) NBL-04 노트북 도난방지 케이블/(화이트)  국진컴퓨터")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 4 10.3626 23
Label Training Sample Count
0 50
1 50
2 50
3 50
4 22
5 50
6 50
7 50
8 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
0.0152 1 0.4966 -
0.7576 50 0.184 -
1.5152 100 0.037 -
2.2727 150 0.0256 -
3.0303 200 0.0014 -
3.7879 250 0.0002 -
4.5455 300 0.0006 -
5.3030 350 0.0001 -
6.0606 400 0.0001 -
6.8182 450 0.0001 -
7.5758 500 0.0001 -
8.3333 550 0.0001 -
9.0909 600 0.0001 -
9.8485 650 0.0001 -
10.6061 700 0.0001 -
11.3636 750 0.0001 -
12.1212 800 0.0001 -
12.8788 850 0.0001 -
13.6364 900 0.0001 -
14.3939 950 0.0001 -
15.1515 1000 0.0001 -
15.9091 1050 0.0001 -
16.6667 1100 0.0001 -
17.4242 1150 0.0 -
18.1818 1200 0.0 -
18.9394 1250 0.0 -
19.6970 1300 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 

@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}
}