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:

Fine-tuning a Sentence Transformer with contrastive learning.
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
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 12 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
10.0	'캐리어바퀴 여행용 휠 교체 수리 수선 무소음 51종 49. W358 페어 오리지널리티' '교체 수리 부품 범용 호환 캐스터 여행 캐리어바퀴 15.O(상세페이지 참조) 아라가나고야도이길' '해외가방 교체부품 액세서리 손잡이 캐리어 수리 핸들 여행용 수하물 핸들링 범용 28호 손잡이(1개) 루디프몰'
8.0	'십자형 캐리어 벨트 투웨이 고정 트렁크 밴드 여행 가방 보호 잠금 오렌지 도비77마켓' 'TCUBE - 멀티 안전케이블 + 4다이얼 안전자물쇠 세트 - 2.5M[티큐브] 블루 주식회사 웹이즈' '정확도 다용도 도난방지 락 자전거열쇠 바이크열쇠 오토바이열쇠 코베유통'
1.0	'캐리어 네임택 러기지택 여행 가방 네임 표시 이름표 태그 플라스틱 케이블 스트랩 6. 그린 우동방구' '홀로그램 피오피 네임택 골프 배드민턴 볼링 축구 야구 태권도 탁구 테니스 등산 콘서트명찰 9cm_양면_검정 플라스틱 그레이브러시' '[마넷] 마넷 실리콘 러기지택 4종 04. 버니슈 (주) 교보문고'
6.0	'레츠백 플라커 세면백 LB405TBNG 블랙 갓블레스' '언더아머 핸드백 1361993-001 UA 컨테인 트레블 키트 1361993-001_1 주식회사 비비엘유이코리아' '세면백 여행용워시백 투명 방수 세면도구파우치 워시백 블랙(M) 최민준'
5.0	'씨투써밋 트래블 월렛 RFID SM 여행 여권 목걸이 지갑 11203586 SM 하이라이즈 더블유컴퍼니' '월레스와 그로밋 여권 케이스 지갑 커버 가족 네이비 핫핑크_one size 폰브로스' '[캐스키드슨] 패스포트 홀더 씨사이드 쉘 (CK-A105347216662102) (주)스타럭스'
9.0	'[맨백] 대용량 캐리어 대형 36인치 여행용 케리어 ELG456L 32인치_라이트블루 맨백스토어' '아메리칸투어리스터TREPPE PLUS 트레페 플러스 여행가방 5종 세트 색상:아이언 레드 GSSHOPTV' '30% 스카이코브 25인치 다크섀도우 GE407005BCDS 다크섀도우_46 31 69 NC_백화점'
4.0	'빈티지 슈트 케이스 레트로 엔틱 가방 촬영 소품 고전 브라운A 페트라클라우드' '빈티지 슈트 케이스 레트로 엔틱 가방 촬영 소품 고전 브라운B 페트라클라우드' '[시후레] 초경량 프레임 가방 ZEROGRA 제로그라 ZER1143 74 cm 5.1 kg 매트 블랙 YSPlanning'
0.0	'(NS홈쇼핑) 트래커 마카론 여행가방 2종 SET(캐리어+미니크로스백) 31889386 바나나옐로우 신세계몰' 'PESPES. 루키 레디백 12형 커스터드 옐로우 [0001]단일상품 CJONSTYLE' '정식수입품 에어휠 전동캐리어 블랙핑크실버 최고급 프리미엄 모델 SE3S 프리미엄_핑크 한미그린산업(주)'
7.0	'롤리키드 저소음 2단 이민가방 RLP9IG2 [0002]버건디 CJONSTYLE' '캐리어 타입 블랙 초대형 소프트 여행가방 이민가방 ~32인치 H_큰 한경리' '100인치 특대 여행가방 초대형 수하물캐리어 한달살기 이민 C_80 인치 워너직구'
11.0	'캐릭터 스판 캐리어 커버 여행용 캐리어 보호커버 가방보호 06.쿠마몬_L 오에스케이(On Sale Korea)' '스판 무지 캐리어커버 20인치 방수 30인치 24인치 28인치 케리어 덮개 블루_XL 헬로쁘미' '[꿀트립] 스판/방수 캐리어커버 (HFTR) 06.베리마블_S(TRAE23L-S) 호자인터내셔널'
3.0	'허리 수납 밴드 복대 여행용 가방 힙색 지갑 그레이:M 쏭리빙' 'LEA-L1300 멀티여행백 연보라 와플플러스 주식회사' '허리힙색 여권복대 여행보조백 폰가방 스포츠전대 검정 추가C'
2.0	'방수 여행 용 보스턴백 백팩 가방 캠핑 구 숄더백 쇼퍼백 커플 블랙 서승솔루션' '레스포삭 라지 트래블백 방수 토트 크로스백 대용량 4319 블랙 블랙 스누피 쿼카상점' '갤러리아 헤리티지 카고 백 라이트 NN2FP78A (BLK) - NN2FP78 검정_one size/free 갤러리아백화점'

Evaluation

Metrics

Label	Metric
all	0.9003

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_ac11")
# Run inference
preds = model("보호 M사이즈 캐리어보호커버 캐리어 스판덱스 커버 TRC805M 위드위너(g)")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	10.4117	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
10.0	50
11.0	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
0.0106	1	0.3558	-
0.5319	50	0.2892	-
1.0638	100	0.136	-
1.5957	150	0.075	-
2.1277	200	0.0462	-
2.6596	250	0.0302	-
3.1915	300	0.0165	-
3.7234	350	0.0173	-
4.2553	400	0.0096	-
4.7872	450	0.0156	-
5.3191	500	0.004	-
5.8511	550	0.0002	-
6.3830	600	0.0001	-
6.9149	650	0.0001	-
7.4468	700	0.0001	-
7.9787	750	0.0001	-
8.5106	800	0.0001	-
9.0426	850	0.0001	-
9.5745	900	0.0001	-
10.1064	950	0.0001	-
10.6383	1000	0.0001	-
11.1702	1050	0.0001	-
11.7021	1100	0.0	-
12.2340	1150	0.0001	-
12.7660	1200	0.0001	-
13.2979	1250	0.0	-
13.8298	1300	0.0	-
14.3617	1350	0.0001	-
14.8936	1400	0.0	-
15.4255	1450	0.0	-
15.9574	1500	0.0001	-
16.4894	1550	0.0	-
17.0213	1600	0.0001	-
17.5532	1650	0.0	-
18.0851	1700	0.0	-
18.6170	1750	0.0	-
19.1489	1800	0.0	-
19.6809	1850	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}
}

mini1013
/

master_cate_ac11