---
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: 브라인 쉬림프 뜰채, 소/중/대 색상랜덤, 고운망 물벼룩 치어 뜰재, 중 배움발전소
- text: 30x45x45 (6T) - 30배럭 어항 수조  스마트어항
- text: st1 협신 울트라 수중모터 50W UP-500ㄴ한강수족관 한강아쿠아 한라펫 관상어용품 수족관용품 펌프 모터 여  빙고라이프
- text: 아마존 스테인레스 히터 200W  알에이디 주식회사
- text: 네오 부스터 플랜츠 300ml 수초 액체 비료 어항 수초용 영양제  알에이디 주식회사
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: 0.9219277108433735
      name: Metric
---

# 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:** 10 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->

### 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                                                                                                                                                                                                                |
|:------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 10.0  | <ul><li>'OKE-6710hc 6428hc 사계절 온도 조절기 히터 냉각 전문가용 자동온도조절기 가변겸용 6710HC 태풍의눈'</li><li>'OKE-6710hc 6428hc 사계절 온도 조절기 히터 냉각 전문가용 자동온도조절기 사계절 6428HC 태풍의눈'</li><li>'페리하 HC 일반 히터 300W  파이브오션(Five Ocean)'</li></ul>           |
| 2.0   | <ul><li>'(1+2) 흑사 바닥재 B3 0.8~2.2mm 2kg, BLACK, 1개 3set  알라이'</li><li>'편석 판석 1kg 어항돌 수조 조경석 철평석 레이아웃 [소] 중(1kg) 미니분경'</li><li>'칸후 베타은신처 베타침대  엠앤엠 주식회사'</li></ul>                                                        |
| 0.0   | <ul><li>'세드라 수륙양용펌프 KSP-120S 횟집 양식장  엠피엠'</li><li>'스핀들모터 고정밀 조각기 밀링 머신 조각 드릴링 머신 750 외풍로 스핀들모터 220V-L 스마트 빌리지'</li><li>'전동 실린더 엑추레이터 스트로크 컨트롤러 12V 24V 푸시로드 모터 스트로크 50MM_10MM/S 토크 3000N_24VDC 글로버리'</li></ul>          |
| 4.0   | <ul><li>'수족관 다이 어항 받침대 선반 철제 우드 사이즈맞춤 60x30x70 기리스토어'</li><li>'반조립형 철재 축양장 2단 120x45 - 4자 광폭 수조 어항받침대 블랙_2단 기본형 스마트어항'</li><li>'레고 어항 마리모 베타 구피 물고기 키우기 수초 수조 용품 치어통 미니 수족관 블록 어항-조명_2-8. 어항 투명2 L 주식회사 대성상사'</li></ul> |
| 9.0   | <ul><li>'A+거북이 할로겐 조명소켓  국민오피스'</li><li>'리글라스 LED 등커버 LE-200 블랙 커버 자연과사람'</li><li>'파이시즈 PZ5-450B LED조명  주식회사 그루터기'</li></ul>                                                                                            |
| 6.0   | <ul><li>'네오 이탄세트 프리미엄 저압CO2 리필1회분 / 3회분 네오 이탄세트 프리미엄 좋은 사람들'</li><li>'네오 이탄세트 프리미엄 저압CO2 리필1회분 / 3회분 네오 이탄리필 1회분 좋은 사람들'</li><li>'일자연결  스타릿컴퍼니(Starlit Co.)'</li></ul>                                                  |
| 3.0   | <ul><li>'API 터틀픽스 118ml 거북이질병예방제  아쿠아 모모'</li><li>'켈란 산호&&치어 피딩용 스포이드 30cm / 총 39cm[K-072]  아마존수족관365'</li><li>'국제피쉬약품 골든 엘바진 7g 1개 어병 종합치료제 백점병 곰팡이병 아가미병 꼬리녹음병  아쿠아메이드'</li></ul>                                     |
| 5.0   | <ul><li>'네오 플랜츠 Tab 70g 수초비료 수초어항 고체비료 네오 플랜츠 Fe 좋은 사람들'</li><li>'부세파란드라sp. 랜덤부세 6촉 활착용  핑크네 물방'</li><li>'포트 수초 전용 원형 토분 1개  신바람잡화점'</li></ul>                                                                          |
| 7.0   | <ul><li>'그로비타 막대여과재 16X3.5X3.5cm 섬프 상면 대형여과제 그로비타 막대여과재 2개 유니온스토어'</li><li>'에하임 클래식 250 (2213) / 어항 여과기  부산기구'</li><li>'BASA바사 스펀지여과기 쌍기 그레이 (20년만에 개발된 신제품)  오쿠아(Oqua)'</li></ul>                                      |
| 1.0   | <ul><li>'테트라 렙토민 에너지 250ml / 수생 반수생 거북이사료, 거북이 먹이 밥  물멍'</li><li>'그로비타(grovita) 플레코, 안시 전용사료 115g/250ml  물멍아쿠아'</li><li>'[택배비 2500] 러브라바 200g 6호 양어장종묘사료 6호 200g 아쿠아시티'</li></ul>                                       |

## Evaluation

### Metrics
| Label   | Metric |
|:--------|:-------|
| **all** | 0.9219 |

## 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_lh3")
# Run inference
preds = model("아마존 스테인레스 히터 200W  알에이디 주식회사")
```

<!--
### Downstream Use

*List how someone could finetune this model on their own dataset.*
-->

<!--
### Out-of-Scope Use

*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->

<!--
## Bias, Risks and Limitations

*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->

<!--
### Recommendations

*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->

## Training Details

### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count   | 3   | 9.088  | 24  |

| 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                    |
| 9.0   | 50                    |
| 10.0  | 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 |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0127  | 1    | 0.381         | -               |
| 0.6329  | 50   | 0.2955        | -               |
| 1.2658  | 100  | 0.1053        | -               |
| 1.8987  | 150  | 0.0527        | -               |
| 2.5316  | 200  | 0.0275        | -               |
| 3.1646  | 250  | 0.0285        | -               |
| 3.7975  | 300  | 0.0132        | -               |
| 4.4304  | 350  | 0.0203        | -               |
| 5.0633  | 400  | 0.0133        | -               |
| 5.6962  | 450  | 0.01          | -               |
| 6.3291  | 500  | 0.0106        | -               |
| 6.9620  | 550  | 0.0013        | -               |
| 7.5949  | 600  | 0.0001        | -               |
| 8.2278  | 650  | 0.0001        | -               |
| 8.8608  | 700  | 0.0001        | -               |
| 9.4937  | 750  | 0.0001        | -               |
| 10.1266 | 800  | 0.0001        | -               |
| 10.7595 | 850  | 0.0001        | -               |
| 11.3924 | 900  | 0.0001        | -               |
| 12.0253 | 950  | 0.0           | -               |
| 12.6582 | 1000 | 0.0           | -               |
| 13.2911 | 1050 | 0.0001        | -               |
| 13.9241 | 1100 | 0.0           | -               |
| 14.5570 | 1150 | 0.0001        | -               |
| 15.1899 | 1200 | 0.0           | -               |
| 15.8228 | 1250 | 0.0           | -               |
| 16.4557 | 1300 | 0.0           | -               |
| 17.0886 | 1350 | 0.0           | -               |
| 17.7215 | 1400 | 0.0           | -               |
| 18.3544 | 1450 | 0.0           | -               |
| 18.9873 | 1500 | 0.0           | -               |
| 19.6203 | 1550 | 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
```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}
}
```

<!--
## Glossary

*Clearly define terms in order to be accessible across audiences.*
-->

<!--
## Model Card Authors

*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->

<!--
## Model Card Contact

*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->