Hugging Face's logo

mini1013
/
master_cate_fd20

Text Classification
setfit
Safetensors
sentence-transformers
roberta
generated_from_setfit_trainer
Eval Results
Model card Files Community
master_cate_fd20 / README.md
mini1013's picture
mini1013
Push model using huggingface_hub.
979a1cb verified
preview code
|
raw
history blame contribute delete
10.9 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: 코스트코 수지스 그릴드 닭가슴살 1.8kg 수비드 페퍼콘 허브 그릴드 닭가슴살 1.8kg (스테디) 리반태닝
  - text: 에쓰푸드 전지베이컨(1.9mm 슬라이스) 500g(기름기가 적고 담백한 베이컨)  금정푸드
  - text: >-
      849967 동원 퀴진 통등심 돈까스 480g 3봉 외 4종 1)돈까스(통등심) 480g 1)돈까스(통등심) 480g_4)생선커틀렛
      400g_4)생선커틀렛 400g 시드웰쓰파트너스
  - text: 돼지 뒷다리살 수육용 제육볶음고기 찌개용 ★핫딜대전★ 한돈 뒷다리살 1kg_보쌈용덩어리 주식회사 삼형제월드
  - text: 송이 불닭발 280gX10팩/국내산, 원앙, 닭발, 매운  (주)천지농산
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: 0.6435236614085759
            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
7.0
  • '남도전통 우리맛 토종순대 천연돈장 1kg 4인분 우리맛 토종순대 1kg+1kg (2개) 주식회사 금호비앤디'
  • '코스트코 커클랜드 시그니춰 크럼블스 베이컨 567g 최고의수준'
  • '하림 아이로운 닭가슴살 팝콘치킨500g 1봉+1봉 팔레스티'
2.0
  • '청정원 안주야 매운곱창볶음 160g 4개 (주) 이카루스'
  • '삼치기 쫄여먹는 쫄갈비 300g 1-2인분 물갈비 캠핑요리 음식 밀키트 고기 양념돼지갈비 쫄여먹는 쫄갈비 300g(1~2인분) 삼치기'
  • '파티큐 귀족 통돼지바베큐 (5-10인분) 만화고기 캠핑음식 집들이 출장 부천종합버스터미널_1/6상체 주식회사 파티큐'
6.0
  • '송화단(화풍60g x10) 8개 식자재 업소용 대용량 일흥상회'
  • '오리로스500gx4팩 고추오리불고기500gx1팩 선물용 마이다스'
  • '춘천달갈비 국내산 즉석조리식품 안동 순살 찜닭 1kg / 3-4인분 주식회사 에프앤에프커머스'
0.0
  • 'Espuna 스페인 전통 하몽 초리초슬라이스100g1개jamon 밀도상점'
  • '목우촌 버터구이 치킨 봉 500gX2개 팔레스티몰'
  • '우리맛 모듬국밥 머리고기+내장 2인분 (440g) 모듬국밥 4pack (800g) 주식회사 금호비앤디'
5.0
  • '[호주산] 양등뼈 1kg cj거성푸드'
  • '양의나라 유기농 양고기 양갈비 양꼬치 프렌치렉 숄더랙 캠핑 냉장 냉동 양의 나라'
  • '하이마블 프렌치랙 프랜치랙 양갈비 양고기 450g 램 미니 토마호크 프렌치랙 450g (냉동) 주식회사 하이마블'
1.0
  • '하림 치킨너겟(Ⅱ) 1kg 텐더스틱 1kg 주식회사 미담'
  • '이종하작가 비법매실먹은 춘천닭갈비 올인원세트 3인분 (닭갈비 + 야채+떡+치즈 포함) 통다리살 간장바베큐 4개(1kg) 춘천맛식품'
  • '국물닭발 700g 2팩 튤립 숯불 오돌뼈 술안주 혼술 야식 국내산 매운맛 제육볶음 오돌뼈 250g 2팩 주식회사 바르'
3.0
  • '미트홀 부채살 찹스테이크 부채 큐브 스테이크 1kg(200gX5팩) 짜파구리 미트홀'
  • '[도착보장] 올반 소불고기 전골세트 (소불고기 4팩 + 전골육수 2팩) 저녁 국 탕 찌개 반찬 간편식 밀키트 소불고기 4팩+전골육수2팩 (주)신세계푸드'
  • '에스푸드 바싹 불고기 1kg 주식회사 클릭몰'
4.0
  • '흥생농장 반숙란40구 촉촉한 부드러운 반숙계란 흥생농장'
  • '에그트리 특란 90구 HACCP농장직송 날계란 에그트리농장'
  • '중국 염장 오리알 야단 372g 유황 찐오리알 6개입 오너트리'

Evaluation

Metrics

Label Metric
all 0.6435

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_fd20")
# Run inference
preds = model("송이 불닭발 280gX10팩/국내산, 원앙, 닭발, 매운  (주)천지농산")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 3 10.0318 24
Label Training Sample Count
0.0 50
1.0 50
2.0 50
3.0 50
4.0 19
5.0 27
6.0 50
7.0 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
0.0182 1 0.4004 -
0.9091 50 0.238 -
1.8182 100 0.1002 -
2.7273 150 0.0799 -
3.6364 200 0.063 -
4.5455 250 0.0301 -
5.4545 300 0.0261 -
6.3636 350 0.0128 -
7.2727 400 0.0054 -
8.1818 450 0.008 -
9.0909 500 0.004 -
10.0 550 0.0001 -
10.9091 600 0.002 -
11.8182 650 0.002 -
12.7273 700 0.0058 -
13.6364 750 0.0039 -
14.5455 800 0.0016 -
15.4545 850 0.0001 -
16.3636 900 0.0001 -
17.2727 950 0.0001 -
18.1818 1000 0.0001 -
19.0909 1050 0.0 -
20.0 1100 0.0001 -

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}
}