You can deploy this model and start earning money today!

camaosos/
journey

Name: journey
Availability: InStock

setfit

safetensors

bert

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

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

finetune

model-index

Views

No views yet

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: 4 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
Construcción de mi pensión personas	'Promotor ahorro y retiro job Excelente servicio' 'Promotor ahorro y retiro pensionado Asesoría sobre las modalidades de pensión' 'Pasivo ahorro y retiro hni job Mejorar la asesoría personalizada según el nivel de ingresos de la persona'
Solución de ahorro e inversión personas	'Detractor ahorro y retiro job No estoy muy relacionada con el tema' 'Detractor gestión patrimonial alto perfil Mal servicio por desconocimiento, decisiones unilaterales de Proteccion que afectan a los usuarios, falta de trasparencia en negociones de bonos, falta de soportes aritmeticos y financieros en sus datos a clientes, etc, ect.' 'Pasivo ahorro y retiro job Asesor pendiente del ahorro sea mucho o poco para tener más rendimientos.'
Cesantías Personas	'Detractor gestión patrimonial alto perfil No me volvieron a enviar información de mi estado de cuenta de las cesantías'
Construcción de mi pensión empresas	'Detractor ahorro y retiro ahorro y retiro basic No contamos con acompañamiento.' 'Promotor grandes empleadores grandes empleadores el reconocimiento y trayectoria' 'Pasivo ahorro y retiro ahorro y retiro basic Mejor asesoramiento'

Evaluation

Metrics

Label	Accuracy
all	0.8824

Uses

Direct Use for Inference

First install the SetFit library:

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("camaosos/journey")
# Run inference
preds = model("Pasivo ahorro y retiro job mejor atención y disponibilidad")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	5	18.7576	169

Label	Training Sample Count
Cesantías Personas	1
Construcción de mi pensión empresas	8
Construcción de mi pensión personas	31
Solución de ahorro e inversión personas	26

Training Hyperparameters

batch_size: (16, 16)
num_epochs: (4, 4)
max_steps: -1
sampling_strategy: oversampling
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
0.0060	1	0.1959	-
0.3012	50	0.196	-
0.6024	100	0.0082	-
0.9036	150	0.0016	-
1.0	166	-	0.1009
1.2048	200	0.0012	-
1.5060	250	0.0012	-
1.8072	300	0.0004	-
2.0	332	-	0.095
2.1084	350	0.0005	-
2.4096	400	0.0004	-
2.7108	450	0.0005	-
3.0	498	-	0.1009
3.0120	500	0.0005	-
3.3133	550	0.0003	-
3.6145	600	0.0003	-
3.9157	650	0.0011	-
4.0	664	-	0.1002

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.10
SetFit: 1.0.3
Sentence Transformers: 3.0.1
Transformers: 4.42.3
PyTorch: 2.2.1+cu121
Datasets: 2.20.0
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}
}