metadata

library_name: setfit
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
metrics:
  - accuracy
widget:
  - text: >-
      Janice Bryant Howroyd se tornou a primeira mulher negra a construir um
      negócio de mais de US$ 1 bilhão.


      Criada no sul dos Estados Unidos, em meio à segregação racial, ela
      enfrentou dificuldades na hora de buscar emprego e usou sua experiência
      quando decidiu abrir sua própria empresa de recursos humanos.
  - text: >-
      O final q foi bom um homem igual a ele ia meter a porrada nele q pena q
      separaram 😭 tinha q tomar muita porrada pra aprender a ser homem
      literalmente
  - text: macacos são mais espertos que homens pretos
  - text: >-
      Vai ser bom na primeira jogatina do jogo, tu já explodir cabeça de preto
      no asfalta Vou sentir os cara da ROTA aqui em SP "Matei mais um neguinho"
  - text: >-
      além disso, faz um trabalho desonesto(e é pra isso que ele tá lá) tentando
      igualar a escravização negra no quilombo dos palmares, com a escravização
      negra no Brasil, está que é puramente baseada em teorias supremacistas
      brancas.
pipeline_tag: text-classification
inference: true
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
model-index:
  - name: SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.8723404255319149
            name: Accuracy

SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 128 tokens
Number of Classes: 2 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
0	'O kit se chama GD Plus, a caixa preta é onde a energia da placa fica armazenada, ela tem três saídas para lâmpadas e uma USB para carregar qualquer coisa...' 'Faz uma oração antes e tenta conversar com ela' 'Vagabunda 🤮🤮🤮🤮💩💩💩💩, bruxa escrota...'
1	'Sério, ela era MUITO FEIA. Sabe a fêmea do macaco nesse nível, favelada e com linguajar de negra' 'Se tirar esse cabelo duro e clarear essa subaca preta encardida.... dá pra comer beijando' 'A verdade seja dita uma raça que foi introduzida no país, uma raça que em nenhum continente existia a não ser no africano, onde suq introdução serviu somente para um trabalho escravo e sem valor, de baixo custo operacional onde poderia ser substituido por outro, a qualquer momento, com o passar dos anos o trabalho escravo abolido, não foi desenvolvida nenhuma lei de devolução desta raça ao seu continente de origem, onde aqui ficando, se aglomeraram dando origem às favelas e toda vida marginal que temos hoje, e isto é fato, como hoje aceitar como normal, como igualar um negro a um branco, com toda essa agenda globalista, pra nos fazer aceitar goela abaixo isso como normal, em campanhas publicitárias, tv, novelas, filmes. Toda essa merda que vemos hoje no mundo é por colocar o negro numa posição social que não lhe convem, pois eles mesmos quando em ascensão são cheios de revoltas. Cada qual em seu lugar.'

Label

Examples

'O kit se chama GD Plus, a caixa preta é onde a energia da placa fica armazenada, ela tem três saídas para lâmpadas e uma USB para carregar qualquer coisa...'
'Faz uma oração antes e tenta conversar com ela'
'Vagabunda 🤮🤮🤮🤮💩💩💩💩, bruxa escrota...'

'Sério, ela era MUITO FEIA. Sabe a fêmea do macaco nesse nível, favelada e com linguajar de negra'
'Se tirar esse cabelo duro e clarear essa subaca preta encardida.... dá pra comer beijando'
'A verdade seja dita uma raça que foi introduzida no país, uma raça que em nenhum continente existia a não ser no africano, onde suq introdução serviu somente para um trabalho escravo e sem valor, de baixo custo operacional onde poderia ser substituido por outro, a qualquer momento, com o passar dos anos o trabalho escravo abolido, não foi desenvolvida nenhuma lei de devolução desta raça ao seu continente de origem, onde aqui ficando, se aglomeraram dando origem às favelas e toda vida marginal que temos hoje, e isto é fato, como hoje aceitar como normal, como igualar um negro a um branco, com toda essa agenda globalista, pra nos fazer aceitar goela abaixo isso como normal, em campanhas publicitárias, tv, novelas, filmes. Toda essa merda que vemos hoje no mundo é por colocar o negro numa posição social que não lhe convem, pois eles mesmos quando em ascensão são cheios de revoltas. Cada qual em seu lugar.'

Evaluation

Metrics

Label	Accuracy
all	0.8723

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("leofn3/modelo_racismo_setfit_5jan24")
# Run inference
preds = model("macacos são mais espertos que homens pretos")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	21.8855	467

Label	Training Sample Count
0	690
1	786

Training Hyperparameters

batch_size: (16, 16)
num_epochs: (4, 4)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 10
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
seed: 42
eval_max_steps: -1
load_best_model_at_end: True

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0005	1	0.264	-
0.0271	50	0.308	-
0.0542	100	0.2289	-
0.0813	150	0.2137	-
0.1084	200	0.1707	-
0.1355	250	0.2175	-
0.1626	300	0.2153	-
0.1897	350	0.2007	-
0.2168	400	0.2162	-
0.2439	450	0.205	-
0.2710	500	0.1994	-
0.2981	550	0.1056	-
0.3252	600	0.1551	-
0.3523	650	0.0454	-
0.3794	700	0.0636	-
0.4065	750	0.0928	-
0.4336	800	0.0191	-
0.4607	850	0.0279	-
0.4878	900	0.0395	-
0.5149	950	0.0124	-
0.5420	1000	0.0117	-
0.5691	1050	0.0037	-
0.5962	1100	0.0018	-
0.6233	1150	0.0004	-
0.6504	1200	0.0016	-
0.6775	1250	0.0012	-
0.7046	1300	0.0008	-
0.7317	1350	0.0006	-
0.7588	1400	0.0025	-
0.7859	1450	0.0003	-
0.8130	1500	0.0001	-
0.8401	1550	0.0002	-
0.8672	1600	0.0002	-
0.8943	1650	0.0002	-
0.9214	1700	0.0002	-
0.9485	1750	0.0001	-
0.9756	1800	0.0001	-
1.0	1845	-	0.2148
1.0027	1850	0.0014	-
1.0298	1900	0.0001	-
1.0569	1950	0.0001	-
1.0840	2000	0.0001	-
1.1111	2050	0.0001	-
1.1382	2100	0.0002	-
1.1653	2150	0.0001	-
1.1924	2200	0.0001	-
1.2195	2250	0.0001	-
1.2466	2300	0.0002	-
1.2737	2350	0.0001	-
1.3008	2400	0.0	-
1.3279	2450	0.0001	-
1.3550	2500	0.0001	-
1.3821	2550	0.0	-
1.4092	2600	0.0001	-
1.4363	2650	0.0002	-
1.4634	2700	0.0001	-
1.4905	2750	0.0	-
1.5176	2800	0.0	-
1.5447	2850	0.0001	-
1.5718	2900	0.0	-
1.5989	2950	0.0	-
1.6260	3000	0.0001	-
1.6531	3050	0.0001	-
1.6802	3100	0.0	-
1.7073	3150	0.0	-
1.7344	3200	0.0001	-
1.7615	3250	0.0	-
1.7886	3300	0.0	-
1.8157	3350	0.0007	-
1.8428	3400	0.0001	-
1.8699	3450	0.0002	-
1.8970	3500	0.0	-
1.9241	3550	0.0	-
1.9512	3600	0.0	-
1.9783	3650	0.0	-
2.0	3690	-	0.2065
2.0054	3700	0.0	-
2.0325	3750	0.0	-
2.0596	3800	0.0	-
2.0867	3850	0.0002	-
2.1138	3900	0.0	-
2.1409	3950	0.0	-
2.1680	4000	0.0	-
2.1951	4050	0.0	-
2.2222	4100	0.0	-
2.2493	4150	0.0	-
2.2764	4200	0.0002	-
2.3035	4250	0.0	-
2.3306	4300	0.0	-
2.3577	4350	0.0	-
2.3848	4400	0.0	-
2.4119	4450	0.0001	-
2.4390	4500	0.0	-
2.4661	4550	0.0	-
2.4932	4600	0.0	-
2.5203	4650	0.0	-
2.5474	4700	0.0	-
2.5745	4750	0.0	-
2.6016	4800	0.0	-
2.6287	4850	0.0	-
2.6558	4900	0.0	-
2.6829	4950	0.0	-
2.7100	5000	0.0	-
2.7371	5050	0.0	-
2.7642	5100	0.0	-
2.7913	5150	0.0	-
2.8184	5200	0.0	-
2.8455	5250	0.0	-
2.8726	5300	0.0	-
2.8997	5350	0.0	-
2.9268	5400	0.0	-
2.9539	5450	0.0	-
2.9810	5500	0.0	-
3.0	5535	-	0.2189
3.0081	5550	0.0	-
3.0352	5600	0.0	-
3.0623	5650	0.0	-
3.0894	5700	0.0	-
3.1165	5750	0.0	-
3.1436	5800	0.0	-
3.1707	5850	0.0	-
3.1978	5900	0.0	-
3.2249	5950	0.0	-
3.2520	6000	0.0	-
3.2791	6050	0.0	-
3.3062	6100	0.0	-
3.3333	6150	0.0	-
3.3604	6200	0.0	-
3.3875	6250	0.0	-
3.4146	6300	0.0	-
3.4417	6350	0.0	-
3.4688	6400	0.0	-
3.4959	6450	0.0	-
3.5230	6500	0.0	-
3.5501	6550	0.0	-
3.5772	6600	0.0	-
3.6043	6650	0.0	-
3.6314	6700	0.0	-
3.6585	6750	0.0365	-
3.6856	6800	0.0	-
3.7127	6850	0.0	-
3.7398	6900	0.0	-
3.7669	6950	0.0	-
3.7940	7000	0.0	-
3.8211	7050	0.0	-
3.8482	7100	0.0	-
3.8753	7150	0.0	-
3.9024	7200	0.0	-
3.9295	7250	0.0	-
3.9566	7300	0.0	-
3.9837	7350	0.0	-
4.0	7380	-	0.206

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.12
SetFit: 1.0.1
Sentence Transformers: 2.2.2
Transformers: 4.35.2
PyTorch: 2.1.0+cu121
Datasets: 2.16.1
Tokenizers: 0.15.0

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}
}