---
base_model: mini1013/master_domain
library_name: setfit
metrics:
- accuracy
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: '[7월/롯데단독] 엉크르 드 뽀 쿠션 리필 듀오 세트(+립 미니어처+파데5ml) 20호_35호 LotteOn > 백화점 > 뷰티 >
상단 배너 (Mobile) LotteOn > 뷰티 > 메이크업 > 베이스메이크업 > 쿠션/팩트'
- text: '[기획]블랙쿠션 리뉴얼 리필 듀오 21N1_23N1 LotteOn > 뷰티 > 메이크업 > 베이스메이크업 > 베이스/프라이머 LotteOn
> 뷰티 > 메이크업 > 베이스메이크업 > 베이스/프라이머'
- text: 랑콤 비비크림 spf50 50ml 0.1kg 1팩 솔에일 브론저 선 비비 선 (#M)SSG.COM/헤어/바디/세정/입욕용품/비누 ssg
> 뷰티 > 헤어/바디 > 세정/입욕용품 > 비누
- text: (1+1) 더샘 커버 퍼펙션 팟 컨실러 4g (당일발송) MinSellAmount (#M)화장품/향수>베이스메이크업>컨실러 Gmarket
> 뷰티 > 화장품/향수 > 베이스메이크업 > 컨실러
- text: 헤라 메이크업픽서 110ml × 4개 (#M)쿠팡 홈>뷰티>메이크업>베이스 메이크업>메이크업픽서 Coupang > 뷰티 > 메이크업
> 베이스 메이크업 > 메이크업픽서
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: accuracy
value: 0.6730190571715146
name: Accuracy
---
# SetFit with mini1013/master_domain
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_domain) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) 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:** [mini1013/master_domain](https://huggingface.co/mini1013/master_domain)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 512 tokens
- **Number of Classes:** 7 classes
### Model Sources
- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)
### Model Labels
| Label | Examples |
|:------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 6 | - '글램 업 메이크업 픽서 100ml 글램 업 메이크업 하이라이터 7g LotteOn > 뷰티 > 메이크업 > 베이스메이크업 > 베이스/프라이머 LotteOn > 뷰티 > 메이크업 > 베이스메이크업 > 베이스/프라이머'
- '달바 블랑 드 런웨이 올데이 세럼 메이크업 픽서 80ml × 1개 LotteOn > 뷰티 > 메이크업 > 하이라이터 LotteOn > 뷰티 > 메이크업 > 하이라이터'
- '메이블린 마스터 픽서 메이크업 리무버 펜 3ml ssg > 뷰티 > 스킨케어 > 클렌징 > 클렌징워터 ssg > 뷰티 > 스킨케어 > 클렌징 > 클렌징워터'
|
| 2 | - '데이지크 프로 컨실러 팔레트 9g 01 커버 (#M)위메프 > 뷰티 > 메이크업 > 베이스 메이크업 > BB크림 위메프 > 뷰티 > 메이크업 > 베이스 메이크업 > BB크림'
- '블레미쉬커버 퍼프 7매입 세트 (#M)뷰티>화장품/향수>미용소품>퍼프/스폰지/브러쉬 CJmall > 뷰티 > 화장품/향수 > 미용소품 > 퍼프/스폰지/브러쉬'
- '동성제약 메디커버 DHA 펜 10퍼센트(보통 피부색) (#M)11st>메이크업>페이스메이크업>메이크업베이스 11st > 뷰티 > 메이크업 > 페이스메이크업 > 메이크업베이스'
|
| 5 | - '헤라 하이드레이팅 래디언스 프라이머 35ml (#M)11st>남성화장품>남성크림>남성크림 11st > 뷰티 > 남성화장품 > 남성크림 > 남성크림'
- '맥 라이트풀 C+ 코랄 그라스 틴티드 프라이머 (#M)11st>메이크업>페이스메이크업>프라이머 11st > 뷰티 > 메이크업 > 페이스메이크업 > 프라이머'
- '코드글로컬러 엠.하이드로 프라이머 기획 LotteOn > 뷰티 > 색조메이크업 > 아이메이크업 > 아이섀도우 LotteOn > 뷰티 > 색조메이크업 > 아이메이크업 > 아이섀도우'
|
| 0 | - '스웨거 페이스 터미네이터 올인원 비비 크림 SPF 50+ PA+++ 스웨거 페이스 터미네이터 × 1개 (#M)쿠팡 홈>뷰티>남성화장품>남성메이크업>베이스메이크업 Coupang > 뷰티 > 남성화장품 > 남성메이크업 > 베이스메이크업'
- '인셀덤 원빈화장품 엑티브크림EX 외 전제품 선택 데일리 아쿠아 비비크림30g (#M)홈>화장품/미용>스킨케어>화장품세트 Naverstore > 화장품/미용 > 스킨케어 > 화장품세트'
- 'AHC 프리미엄 인텐스 컨튜어밤 10ml 2개 MinSellAmount (#M)스마일배송 홈>뷰티>메이크업/선케어>베이스메이크업 Gmarket > 뷰티 > 화장품/향수 > 베이스메이크업 > BB크림/톤업크림'
|
| 4 | - '[SSG-단독]블랙쿠션 리뉴얼 리필 듀오 17N1_17C1 ssg > 뷰티 > 메이크업 > 베이스메이크업 > 파운데이션;ssg > 뷰티 > 메이크업 > 립메이크업 > 립스틱;ssg > 뷰티 > 메이크업 > 베이스메이크업 > 쿠션파운데이션;신세계백화점/메이크업/베이스메이크업/쿠션파운데이션;(#M)SSG.COM/메이크업/베이스메이크업/쿠션파운데이션 ssg > 뷰티 > 메이크업 > 립메이크업'
- '라네즈 맨즈 그루밍 네오 쿠션 매트 SPF42 PA++ 15g (옵션)+남성크림스킨 25ml 4개 증정 23C 쿨 샌드 (#M)화장품/향수>베이스메이크업>파운데이션 Gmarket > 뷰티 > 화장품/향수 > 베이스메이크업 > 파운데이션'
- '아이오페 에어쿠션 스킨핏 톤업 15g x 2 단일상품 (#M)화장품/향수>베이스메이크업>파운데이션 Gmarket > 뷰티 > 화장품/향수 > 베이스메이크업 > 파운데이션'
|
| 1 | - '[특별] 톤업 프라이머 쿠션 세트 ssg > 뷰티 > 메이크업 > 베이스메이크업 > 프라이머 ssg > 뷰티 > 메이크업 > 베이스메이크업 > 프라이머'
- '[한스킨] 핑크물밤(톤업팩트) 2개 세트 본품*2_[B0008449] (#M)11st>메이크업>페이스메이크업>파운데이션 11st > 뷰티 > 메이크업 > 페이스메이크업 > 파운데이션'
- '[2특별] NEW 래디언트 파운데이션 세트(+컨실러 정품+키트 2종) 110 알라바스터 LotteOn > 뷰티 > 명품화장품 > 메이크업 > 파운데이션 LotteOn > 뷰티 > 베이스메이크업 > 파운데이션'
|
| 3 | - '[본사직영] 래디언스 팩트 SPF27/PA++ (바닐라) 위메프 > 뷰티 > 스킨케어 > 스킨/토너;위메프 > 뷰티 > 메이크업 > 립 메이크업;위메프 > 뷰티 > 메이크업 > 립 메이크업 > 립글로즈;위메프 > 뷰티 > 선케어 > 선크림/선블록 > 선크림/선블록;위메프 > 뷰티 > 메이크업 > 베이스 메이크업;(#M)위메프 > 뷰티 > 메이크업 > 베이스 메이크업 > 쿠션팩트 위메프 > 뷰티 > 선케어 > 선크림/선블록'
- '[AK PLAZA][DIOR] 캡춰 토탈 퍼펙션 앤 유쓰 래디언스 루스 파우더 단일상품 (#M)홈>화장품/미용>향수>향수세트 Naverstore > 화장품/미용 > 향수 > 향수세트'
- '설화수 NEW 진설파우더팩트 리필 23N1 (#M)화장품/향수>스킨케어>에센스/세럼 Gmarket > 뷰티 > 화장품/향수 > 스킨케어 > 에센스/세럼'
|
## Evaluation
### Metrics
| Label | Accuracy |
|:--------|:---------|
| **all** | 0.6730 |
## Uses
### Direct Use for Inference
First install the SetFit library:
```bash
pip install setfit
```
Then you can load this model and run inference.
```python
from setfit import SetFitModel
# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("mini1013/master_cate_bt_top5_test")
# Run inference
preds = model("헤라 메이크업픽서 110ml × 4개 (#M)쿠팡 홈>뷰티>메이크업>베이스 메이크업>메이크업픽서 Coupang > 뷰티 > 메이크업 > 베이스 메이크업 > 메이크업픽서")
```
## Training Details
### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:--------|:----|
| Word count | 12 | 24.3657 | 87 |
| Label | Training Sample Count |
|:------|:----------------------|
| 0 | 50 |
| 1 | 50 |
| 2 | 50 |
| 3 | 50 |
| 4 | 50 |
| 5 | 50 |
| 6 | 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 |
|:-------:|:-----:|:-------------:|:---------------:|
| 0.0018 | 1 | 0.4623 | - |
| 0.0914 | 50 | 0.4618 | - |
| 0.1828 | 100 | 0.4384 | - |
| 0.2742 | 150 | 0.4275 | - |
| 0.3656 | 200 | 0.3889 | - |
| 0.4570 | 250 | 0.3422 | - |
| 0.5484 | 300 | 0.3055 | - |
| 0.6399 | 350 | 0.2795 | - |
| 0.7313 | 400 | 0.2616 | - |
| 0.8227 | 450 | 0.252 | - |
| 0.9141 | 500 | 0.2394 | - |
| 1.0055 | 550 | 0.2274 | - |
| 1.0969 | 600 | 0.2154 | - |
| 1.1883 | 650 | 0.2031 | - |
| 1.2797 | 700 | 0.197 | - |
| 1.3711 | 750 | 0.1768 | - |
| 1.4625 | 800 | 0.1752 | - |
| 1.5539 | 850 | 0.1631 | - |
| 1.6453 | 900 | 0.1513 | - |
| 1.7367 | 950 | 0.1368 | - |
| 1.8282 | 1000 | 0.1354 | - |
| 1.9196 | 1050 | 0.1235 | - |
| 2.0110 | 1100 | 0.1113 | - |
| 2.1024 | 1150 | 0.1015 | - |
| 2.1938 | 1200 | 0.084 | - |
| 2.2852 | 1250 | 0.0598 | - |
| 2.3766 | 1300 | 0.0472 | - |
| 2.4680 | 1350 | 0.0382 | - |
| 2.5594 | 1400 | 0.032 | - |
| 2.6508 | 1450 | 0.0212 | - |
| 2.7422 | 1500 | 0.0082 | - |
| 2.8336 | 1550 | 0.0046 | - |
| 2.9250 | 1600 | 0.0025 | - |
| 3.0165 | 1650 | 0.0014 | - |
| 3.1079 | 1700 | 0.0007 | - |
| 3.1993 | 1750 | 0.0003 | - |
| 3.2907 | 1800 | 0.0002 | - |
| 3.3821 | 1850 | 0.0008 | - |
| 3.4735 | 1900 | 0.0011 | - |
| 3.5649 | 1950 | 0.0011 | - |
| 3.6563 | 2000 | 0.0003 | - |
| 3.7477 | 2050 | 0.0001 | - |
| 3.8391 | 2100 | 0.0001 | - |
| 3.9305 | 2150 | 0.0001 | - |
| 4.0219 | 2200 | 0.0002 | - |
| 4.1133 | 2250 | 0.0001 | - |
| 4.2048 | 2300 | 0.0001 | - |
| 4.2962 | 2350 | 0.0002 | - |
| 4.3876 | 2400 | 0.0001 | - |
| 4.4790 | 2450 | 0.0 | - |
| 4.5704 | 2500 | 0.0002 | - |
| 4.6618 | 2550 | 0.0001 | - |
| 4.7532 | 2600 | 0.0 | - |
| 4.8446 | 2650 | 0.0 | - |
| 4.9360 | 2700 | 0.0028 | - |
| 5.0274 | 2750 | 0.0031 | - |
| 5.1188 | 2800 | 0.0023 | - |
| 5.2102 | 2850 | 0.0002 | - |
| 5.3016 | 2900 | 0.0002 | - |
| 5.3931 | 2950 | 0.0001 | - |
| 5.4845 | 3000 | 0.0 | - |
| 5.5759 | 3050 | 0.0001 | - |
| 5.6673 | 3100 | 0.0002 | - |
| 5.7587 | 3150 | 0.0001 | - |
| 5.8501 | 3200 | 0.0 | - |
| 5.9415 | 3250 | 0.0001 | - |
| 6.0329 | 3300 | 0.0002 | - |
| 6.1243 | 3350 | 0.0 | - |
| 6.2157 | 3400 | 0.0001 | - |
| 6.3071 | 3450 | 0.0003 | - |
| 6.3985 | 3500 | 0.0009 | - |
| 6.4899 | 3550 | 0.0009 | - |
| 6.5814 | 3600 | 0.0009 | - |
| 6.6728 | 3650 | 0.0003 | - |
| 6.7642 | 3700 | 0.0002 | - |
| 6.8556 | 3750 | 0.0 | - |
| 6.9470 | 3800 | 0.0 | - |
| 7.0384 | 3850 | 0.0 | - |
| 7.1298 | 3900 | 0.0 | - |
| 7.2212 | 3950 | 0.0 | - |
| 7.3126 | 4000 | 0.0 | - |
| 7.4040 | 4050 | 0.0 | - |
| 7.4954 | 4100 | 0.0 | - |
| 7.5868 | 4150 | 0.0 | - |
| 7.6782 | 4200 | 0.0 | - |
| 7.7697 | 4250 | 0.0003 | - |
| 7.8611 | 4300 | 0.0 | - |
| 7.9525 | 4350 | 0.0 | - |
| 8.0439 | 4400 | 0.0 | - |
| 8.1353 | 4450 | 0.0 | - |
| 8.2267 | 4500 | 0.0 | - |
| 8.3181 | 4550 | 0.0 | - |
| 8.4095 | 4600 | 0.0 | - |
| 8.5009 | 4650 | 0.0 | - |
| 8.5923 | 4700 | 0.0 | - |
| 8.6837 | 4750 | 0.0 | - |
| 8.7751 | 4800 | 0.0 | - |
| 8.8665 | 4850 | 0.0 | - |
| 8.9580 | 4900 | 0.0 | - |
| 9.0494 | 4950 | 0.0 | - |
| 9.1408 | 5000 | 0.0 | - |
| 9.2322 | 5050 | 0.0 | - |
| 9.3236 | 5100 | 0.0 | - |
| 9.4150 | 5150 | 0.0 | - |
| 9.5064 | 5200 | 0.0 | - |
| 9.5978 | 5250 | 0.0 | - |
| 9.6892 | 5300 | 0.0 | - |
| 9.7806 | 5350 | 0.0 | - |
| 9.8720 | 5400 | 0.0 | - |
| 9.9634 | 5450 | 0.0 | - |
| 10.0548 | 5500 | 0.0 | - |
| 10.1463 | 5550 | 0.0011 | - |
| 10.2377 | 5600 | 0.0066 | - |
| 10.3291 | 5650 | 0.0048 | - |
| 10.4205 | 5700 | 0.0088 | - |
| 10.5119 | 5750 | 0.0071 | - |
| 10.6033 | 5800 | 0.0054 | - |
| 10.6947 | 5850 | 0.0029 | - |
| 10.7861 | 5900 | 0.0028 | - |
| 10.8775 | 5950 | 0.0014 | - |
| 10.9689 | 6000 | 0.0008 | - |
| 11.0603 | 6050 | 0.0001 | - |
| 11.1517 | 6100 | 0.0001 | - |
| 11.2431 | 6150 | 0.0 | - |
| 11.3346 | 6200 | 0.0 | - |
| 11.4260 | 6250 | 0.0 | - |
| 11.5174 | 6300 | 0.0 | - |
| 11.6088 | 6350 | 0.0 | - |
| 11.7002 | 6400 | 0.0007 | - |
| 11.7916 | 6450 | 0.0 | - |
| 11.8830 | 6500 | 0.0002 | - |
| 11.9744 | 6550 | 0.0 | - |
| 12.0658 | 6600 | 0.0 | - |
| 12.1572 | 6650 | 0.0 | - |
| 12.2486 | 6700 | 0.0 | - |
| 12.3400 | 6750 | 0.0 | - |
| 12.4314 | 6800 | 0.0 | - |
| 12.5229 | 6850 | 0.0 | - |
| 12.6143 | 6900 | 0.0 | - |
| 12.7057 | 6950 | 0.0 | - |
| 12.7971 | 7000 | 0.0 | - |
| 12.8885 | 7050 | 0.0 | - |
| 12.9799 | 7100 | 0.0 | - |
| 13.0713 | 7150 | 0.0 | - |
| 13.1627 | 7200 | 0.0 | - |
| 13.2541 | 7250 | 0.0 | - |
| 13.3455 | 7300 | 0.0 | - |
| 13.4369 | 7350 | 0.0 | - |
| 13.5283 | 7400 | 0.0 | - |
| 13.6197 | 7450 | 0.0 | - |
| 13.7112 | 7500 | 0.0 | - |
| 13.8026 | 7550 | 0.0 | - |
| 13.8940 | 7600 | 0.0 | - |
| 13.9854 | 7650 | 0.0 | - |
| 14.0768 | 7700 | 0.0 | - |
| 14.1682 | 7750 | 0.0024 | - |
| 14.2596 | 7800 | 0.0026 | - |
| 14.3510 | 7850 | 0.0039 | - |
| 14.4424 | 7900 | 0.0022 | - |
| 14.5338 | 7950 | 0.0008 | - |
| 14.6252 | 8000 | 0.0002 | - |
| 14.7166 | 8050 | 0.0003 | - |
| 14.8080 | 8100 | 0.0 | - |
| 14.8995 | 8150 | 0.0 | - |
| 14.9909 | 8200 | 0.0 | - |
| 15.0823 | 8250 | 0.0 | - |
| 15.1737 | 8300 | 0.0 | - |
| 15.2651 | 8350 | 0.0 | - |
| 15.3565 | 8400 | 0.0 | - |
| 15.4479 | 8450 | 0.0 | - |
| 15.5393 | 8500 | 0.0 | - |
| 15.6307 | 8550 | 0.0 | - |
| 15.7221 | 8600 | 0.0 | - |
| 15.8135 | 8650 | 0.0 | - |
| 15.9049 | 8700 | 0.0 | - |
| 15.9963 | 8750 | 0.0 | - |
| 16.0878 | 8800 | 0.0 | - |
| 16.1792 | 8850 | 0.0 | - |
| 16.2706 | 8900 | 0.0 | - |
| 16.3620 | 8950 | 0.0 | - |
| 16.4534 | 9000 | 0.0 | - |
| 16.5448 | 9050 | 0.0 | - |
| 16.6362 | 9100 | 0.0 | - |
| 16.7276 | 9150 | 0.0 | - |
| 16.8190 | 9200 | 0.0 | - |
| 16.9104 | 9250 | 0.0 | - |
| 17.0018 | 9300 | 0.0 | - |
| 17.0932 | 9350 | 0.0 | - |
| 17.1846 | 9400 | 0.0 | - |
| 17.2761 | 9450 | 0.0 | - |
| 17.3675 | 9500 | 0.0 | - |
| 17.4589 | 9550 | 0.0 | - |
| 17.5503 | 9600 | 0.0 | - |
| 17.6417 | 9650 | 0.0 | - |
| 17.7331 | 9700 | 0.0 | - |
| 17.8245 | 9750 | 0.0 | - |
| 17.9159 | 9800 | 0.0 | - |
| 18.0073 | 9850 | 0.0 | - |
| 18.0987 | 9900 | 0.0 | - |
| 18.1901 | 9950 | 0.0 | - |
| 18.2815 | 10000 | 0.0 | - |
| 18.3729 | 10050 | 0.0 | - |
| 18.4644 | 10100 | 0.0 | - |
| 18.5558 | 10150 | 0.0 | - |
| 18.6472 | 10200 | 0.0 | - |
| 18.7386 | 10250 | 0.0 | - |
| 18.8300 | 10300 | 0.0 | - |
| 18.9214 | 10350 | 0.0 | - |
| 19.0128 | 10400 | 0.0 | - |
| 19.1042 | 10450 | 0.0 | - |
| 19.1956 | 10500 | 0.0 | - |
| 19.2870 | 10550 | 0.0 | - |
| 19.3784 | 10600 | 0.0 | - |
| 19.4698 | 10650 | 0.0 | - |
| 19.5612 | 10700 | 0.0 | - |
| 19.6527 | 10750 | 0.0 | - |
| 19.7441 | 10800 | 0.0 | - |
| 19.8355 | 10850 | 0.0 | - |
| 19.9269 | 10900 | 0.0 | - |
| 20.0183 | 10950 | 0.0 | - |
| 20.1097 | 11000 | 0.0 | - |
| 20.2011 | 11050 | 0.0 | - |
| 20.2925 | 11100 | 0.0 | - |
| 20.3839 | 11150 | 0.0 | - |
| 20.4753 | 11200 | 0.0 | - |
| 20.5667 | 11250 | 0.0 | - |
| 20.6581 | 11300 | 0.0 | - |
| 20.7495 | 11350 | 0.0 | - |
| 20.8410 | 11400 | 0.0 | - |
| 20.9324 | 11450 | 0.0 | - |
| 21.0238 | 11500 | 0.0 | - |
| 21.1152 | 11550 | 0.0 | - |
| 21.2066 | 11600 | 0.0 | - |
| 21.2980 | 11650 | 0.0 | - |
| 21.3894 | 11700 | 0.0 | - |
| 21.4808 | 11750 | 0.0 | - |
| 21.5722 | 11800 | 0.0 | - |
| 21.6636 | 11850 | 0.0 | - |
| 21.7550 | 11900 | 0.0 | - |
| 21.8464 | 11950 | 0.0 | - |
| 21.9378 | 12000 | 0.0 | - |
| 22.0293 | 12050 | 0.0 | - |
| 22.1207 | 12100 | 0.0 | - |
| 22.2121 | 12150 | 0.0 | - |
| 22.3035 | 12200 | 0.0 | - |
| 22.3949 | 12250 | 0.0 | - |
| 22.4863 | 12300 | 0.0 | - |
| 22.5777 | 12350 | 0.0 | - |
| 22.6691 | 12400 | 0.0 | - |
| 22.7605 | 12450 | 0.0 | - |
| 22.8519 | 12500 | 0.0 | - |
| 22.9433 | 12550 | 0.0 | - |
| 23.0347 | 12600 | 0.0 | - |
| 23.1261 | 12650 | 0.0 | - |
| 23.2176 | 12700 | 0.0 | - |
| 23.3090 | 12750 | 0.0 | - |
| 23.4004 | 12800 | 0.0 | - |
| 23.4918 | 12850 | 0.0 | - |
| 23.5832 | 12900 | 0.0 | - |
| 23.6746 | 12950 | 0.0 | - |
| 23.7660 | 13000 | 0.0 | - |
| 23.8574 | 13050 | 0.0 | - |
| 23.9488 | 13100 | 0.0 | - |
| 24.0402 | 13150 | 0.0 | - |
| 24.1316 | 13200 | 0.0 | - |
| 24.2230 | 13250 | 0.0 | - |
| 24.3144 | 13300 | 0.0 | - |
| 24.4059 | 13350 | 0.0 | - |
| 24.4973 | 13400 | 0.0 | - |
| 24.5887 | 13450 | 0.0 | - |
| 24.6801 | 13500 | 0.0 | - |
| 24.7715 | 13550 | 0.0 | - |
| 24.8629 | 13600 | 0.0 | - |
| 24.9543 | 13650 | 0.0 | - |
| 25.0457 | 13700 | 0.0 | - |
| 25.1371 | 13750 | 0.0 | - |
| 25.2285 | 13800 | 0.0 | - |
| 25.3199 | 13850 | 0.0 | - |
| 25.4113 | 13900 | 0.0 | - |
| 25.5027 | 13950 | 0.0 | - |
| 25.5941 | 14000 | 0.0 | - |
| 25.6856 | 14050 | 0.0 | - |
| 25.7770 | 14100 | 0.0 | - |
| 25.8684 | 14150 | 0.0 | - |
| 25.9598 | 14200 | 0.0 | - |
| 26.0512 | 14250 | 0.0 | - |
| 26.1426 | 14300 | 0.0 | - |
| 26.2340 | 14350 | 0.0 | - |
| 26.3254 | 14400 | 0.0 | - |
| 26.4168 | 14450 | 0.0 | - |
| 26.5082 | 14500 | 0.0 | - |
| 26.5996 | 14550 | 0.0 | - |
| 26.6910 | 14600 | 0.0 | - |
| 26.7824 | 14650 | 0.0 | - |
| 26.8739 | 14700 | 0.0 | - |
| 26.9653 | 14750 | 0.0 | - |
| 27.0567 | 14800 | 0.0 | - |
| 27.1481 | 14850 | 0.0 | - |
| 27.2395 | 14900 | 0.0 | - |
| 27.3309 | 14950 | 0.0 | - |
| 27.4223 | 15000 | 0.0 | - |
| 27.5137 | 15050 | 0.0 | - |
| 27.6051 | 15100 | 0.0 | - |
| 27.6965 | 15150 | 0.0 | - |
| 27.7879 | 15200 | 0.0 | - |
| 27.8793 | 15250 | 0.0 | - |
| 27.9707 | 15300 | 0.0 | - |
| 28.0622 | 15350 | 0.0 | - |
| 28.1536 | 15400 | 0.0 | - |
| 28.2450 | 15450 | 0.0 | - |
| 28.3364 | 15500 | 0.0 | - |
| 28.4278 | 15550 | 0.0 | - |
| 28.5192 | 15600 | 0.0 | - |
| 28.6106 | 15650 | 0.0 | - |
| 28.7020 | 15700 | 0.0 | - |
| 28.7934 | 15750 | 0.0 | - |
| 28.8848 | 15800 | 0.0 | - |
| 28.9762 | 15850 | 0.0 | - |
| 29.0676 | 15900 | 0.0 | - |
| 29.1590 | 15950 | 0.0 | - |
| 29.2505 | 16000 | 0.0 | - |
| 29.3419 | 16050 | 0.0 | - |
| 29.4333 | 16100 | 0.0 | - |
| 29.5247 | 16150 | 0.0 | - |
| 29.6161 | 16200 | 0.0 | - |
| 29.7075 | 16250 | 0.0 | - |
| 29.7989 | 16300 | 0.0 | - |
| 29.8903 | 16350 | 0.0 | - |
| 29.9817 | 16400 | 0.0 | - |
### 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
```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}
}
```