File size: 14,560 Bytes
0bfc577 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 |
---
base_model: Maltehb/danish-bert-botxo
library_name: setfit
metrics:
- accuracy
pipeline_tag: text-classification
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Jeg håber jeg igen kan få opbakning og tillid til at blive folketingsmedlem.
Jeg kæmper for hjemstavnen. Jeg bor og lever i Vestjylland.
- text: Har man vendt Danmark ryggen og tilsluttet sig Islamisk Stat, så er man en
landsforræder, og så skal man ikke tilbage til Danmark igen! Det handler om vores
allesammens sikkerhed. Vi skal ikke lukke potentielle terrorister ind af hverken
for- eller bagdøren ❤️🇩🇰
- text: 5. December 🎄julekalender hilsen 🤶🏻 Grønland gjorde et stort indtryk på mig.
Naturen, de enorme afstande, den smukke klare himmel, nordlyset og ikke mindst
kulturen og menneskene. Det var mit første besøg, men bestemt ikke det sidste.
De historiske bånd mellem Grønland og Danmark er forbundet med både glæde og smerte.
Men de har bragt os tættere på hinanden. Det er et stolt fangerfolk, som lever
i pagt med naturen. Det mærker man tydeligt den dag i dag. Det kan være svært,
at drive en virksomhed heroppe, for kommer der rensdyr eller andet godt, så er
det ud og jage - nogen gange i 14 dage. På få generationer har man ‘modaniseret’
den grønlandske samfundsmodel. Og når man er her, og taler med folk ude i bygderne,
ja så forstå man bedre, hvorfor det måske er gået for stærkt ? En ting er sikkert.
Selvstændighed for et folk med knap 50.000 indbyggere, vil jeg mene er at efterlade
et land og et folk i uvished. Rigsfællesskabet er vigtigt, og det skal vi passe
godt på. I respekt for hinanden. Der er så meget som binder os sammen. Jeg er
taknemmelig for, at jeg fik lov til at opleve og møde så mange lokale - både indbyggere,
embedsfolk, politikere, virksomhedsejere og mange flere. Der er behov for en større
dansk forståelse af Grønland og om rigsfællesskabet. Defor har jeg også som et
krav i de kommende medieforhandlinger, at DR forpligtes til at optage, producere,
formidle et bredere og repræsentativt udsnit af rigsfælleskabet. God søndag😊
- text: Vi har brug for, at 2021 bliver et år, hvor vi nærmer os livet, vi kendte
❤️ Som så mange andre, har jeg været meget nervøs for mine forældre. Jeg tror
mange, med forældre oppe i årene kan genkende følelsen. Svært har det været ikke
at kunne besøge dem i begyndelsen af coronaen. Senere i forløbet har vi set hinanden
og taget hensyn. Jeg tror, vi alle vil huske 2020, som året hvor vi måtte lide
afsavn – store som små. Og året hvor vi savnede at mødes med andre mennesker og
særligt vores nærmeste. Jeg føler virkelig med de mange, der bor på plejehjem
og ikke har kunnet se deres pårørende. Det er hjerteskærende, at gamle mennesker
som måske skal fejre deres sidste jul ikke kan være sammen med de nærmeste familiemedlemmer
i deres egen lejlighed på plejehjemmet. I stedet skal de være i opstillede besøgsrum.
Og ja, jeg hører og forstår alle argumenterne om smitte, og vi SKAL passe på.
Ja, de gamle ER sårbare, men har man spurgt dem, hvad de helst vil? Mange unge
har savnet deres kammerater, andre deres kollegaer på jobbet. Nogle savner deres
job grundet fyringer, og andre er gået konkurs. Listen over savn og afsavn er
lang. Nu venter vi på vaccinen. Og jeg ser frem til den kommer. Savn er en følelse,
vi har brug for at føle mindre af i 2021 ❤️ 🎄⛄️ 23. december 🎅🏻 Julekalender ⛄️🎄
- text: Jeg deltager ikke i forhandlingerne om psykiatrien i dag, da jeg ikke repræsenterer
et parti eller har en masse mandatter. Men havde jeg gjort det, så ville jeg kræve
et afsat beløb hvert år i de ti år. Det burde man kunne love hinanden.500 mio
om året kunne det være. Dernæst sikre at PPR virker i kommunerne og man der kan
sikre behandling for børn og unge uden de skal have en diagnose først. Så skal
der sikrers samme rettigheder for psykisk sygdom som somatisk. Start med behandlingsgaranti
for mennesker en en skizofren lidelse. Og gør nu det der virker rundt omkring.
For der er steder som fungerer godt, man ønsker bare ikke lære af hinanden. Når
der er mangel på personale, så tænk andre grupper. For at lave aktivteter på en
afdeling behøver man ikke være en bestemt fagruppe. Og en akutlinje som nu mange
taler om, se nu på de kommuner der har en. F.eks Greve hvor vi har prioriteret
det. Men kommunene har brug for mere økonomi for at kunne løfte psykiatrien i.
Men jeg håber de finder nogle løsninger og ønsker dem nogle gode forhandlinger.
inference: false
model-index:
- name: SetFit with Maltehb/danish-bert-botxo
results:
- task:
type: text-classification
name: Text Classification
dataset:
name: Unknown
type: unknown
split: test
metrics:
- type: accuracy
value: 0.7317073170731707
name: Accuracy
---
# SetFit with Maltehb/danish-bert-botxo
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [Maltehb/danish-bert-botxo](https://huggingface.co/Maltehb/danish-bert-botxo) as the Sentence Transformer embedding model. A OneVsRestClassifier 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:** [Maltehb/danish-bert-botxo](https://huggingface.co/Maltehb/danish-bert-botxo)
- **Classification head:** a OneVsRestClassifier instance
- **Maximum Sequence Length:** 512 tokens
<!-- - **Number of Classes:** Unknown -->
<!-- - **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)
## Evaluation
### Metrics
| Label | Accuracy |
|:--------|:---------|
| **all** | 0.7317 |
## 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("OBech/IngroupOutgroup2")
# Run inference
preds = model("Jeg håber jeg igen kan få opbakning og tillid til at blive folketingsmedlem. Jeg kæmper for hjemstavnen. Jeg bor og lever i Vestjylland.")
```
<!--
### 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 | 1 | 94.5901 | 380 |
### Training Hyperparameters
- batch_size: (8, 8)
- num_epochs: (2, 2)
- 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 |
|:-------:|:--------:|:-------------:|:---------------:|
| 0.0005 | 1 | 0.2605 | - |
| 0.0235 | 50 | 0.3094 | - |
| 0.0471 | 100 | 0.2222 | - |
| 0.0706 | 150 | 0.2855 | - |
| 0.0941 | 200 | 0.1699 | - |
| 0.1176 | 250 | 0.1467 | - |
| 0.1412 | 300 | 0.152 | - |
| 0.1647 | 350 | 0.2407 | - |
| 0.1882 | 400 | 0.0391 | - |
| 0.2118 | 450 | 0.0165 | - |
| 0.2353 | 500 | 0.0009 | - |
| 0.2588 | 550 | 0.0004 | - |
| 0.2824 | 600 | 0.0014 | - |
| 0.3059 | 650 | 0.0006 | - |
| 0.3294 | 700 | 0.0001 | - |
| 0.3529 | 750 | 0.0007 | - |
| 0.3765 | 800 | 0.0002 | - |
| 0.4 | 850 | 0.0004 | - |
| 0.4235 | 900 | 0.0003 | - |
| 0.4471 | 950 | 0.0001 | - |
| 0.4706 | 1000 | 0.0001 | - |
| 0.4941 | 1050 | 0.0002 | - |
| 0.5176 | 1100 | 0.0002 | - |
| 0.5412 | 1150 | 0.0005 | - |
| 0.5647 | 1200 | 0.0002 | - |
| 0.5882 | 1250 | 0.0002 | - |
| 0.6118 | 1300 | 0.062 | - |
| 0.6353 | 1350 | 0.0004 | - |
| 0.6588 | 1400 | 0.0377 | - |
| 0.6824 | 1450 | 0.0001 | - |
| 0.7059 | 1500 | 0.0001 | - |
| 0.7294 | 1550 | 0.0002 | - |
| 0.7529 | 1600 | 0.0001 | - |
| 0.7765 | 1650 | 0.0009 | - |
| 0.8 | 1700 | 0.0002 | - |
| 0.8235 | 1750 | 0.0003 | - |
| 0.8471 | 1800 | 0.0001 | - |
| 0.8706 | 1850 | 0.0068 | - |
| 0.8941 | 1900 | 0.0002 | - |
| 0.9176 | 1950 | 0.0001 | - |
| 0.9412 | 2000 | 0.0 | - |
| 0.9647 | 2050 | 0.0002 | - |
| 0.9882 | 2100 | 0.0 | - |
| **1.0** | **2125** | **-** | **0.205** |
| 1.0118 | 2150 | 0.0164 | - |
| 1.0353 | 2200 | 0.0002 | - |
| 1.0588 | 2250 | 0.0 | - |
| 1.0824 | 2300 | 0.0001 | - |
| 1.1059 | 2350 | 0.0 | - |
| 1.1294 | 2400 | 0.0001 | - |
| 1.1529 | 2450 | 0.0001 | - |
| 1.1765 | 2500 | 0.036 | - |
| 1.2 | 2550 | 0.0078 | - |
| 1.2235 | 2600 | 0.0002 | - |
| 1.2471 | 2650 | 0.0088 | - |
| 1.2706 | 2700 | 0.0336 | - |
| 1.2941 | 2750 | 0.0 | - |
| 1.3176 | 2800 | 0.0001 | - |
| 1.3412 | 2850 | 0.0387 | - |
| 1.3647 | 2900 | 0.0 | - |
| 1.3882 | 2950 | 0.0042 | - |
| 1.4118 | 3000 | 0.0001 | - |
| 1.4353 | 3050 | 0.0 | - |
| 1.4588 | 3100 | 0.0001 | - |
| 1.4824 | 3150 | 0.0001 | - |
| 1.5059 | 3200 | 0.0001 | - |
| 1.5294 | 3250 | 0.002 | - |
| 1.5529 | 3300 | 0.0001 | - |
| 1.5765 | 3350 | 0.0055 | - |
| 1.6 | 3400 | 0.0002 | - |
| 1.6235 | 3450 | 0.0 | - |
| 1.6471 | 3500 | 0.0 | - |
| 1.6706 | 3550 | 0.0 | - |
| 1.6941 | 3600 | 0.0 | - |
| 1.7176 | 3650 | 0.0001 | - |
| 1.7412 | 3700 | 0.0347 | - |
| 1.7647 | 3750 | 0.0 | - |
| 1.7882 | 3800 | 0.0 | - |
| 1.8118 | 3850 | 0.0 | - |
| 1.8353 | 3900 | 0.0001 | - |
| 1.8588 | 3950 | 0.0 | - |
| 1.8824 | 4000 | 0.0001 | - |
| 1.9059 | 4050 | 0.0 | - |
| 1.9294 | 4100 | 0.0001 | - |
| 1.9529 | 4150 | 0.0073 | - |
| 1.9765 | 4200 | 0.0001 | - |
| 2.0 | 4250 | 0.0 | 0.2099 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.13
- SetFit: 1.0.3
- Sentence Transformers: 2.3.0
- Transformers: 4.39.0
- PyTorch: 2.1.2
- Datasets: 2.20.0
- Tokenizers: 0.15.2
## 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.*
--> |