---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: Etunimi Etunimi menetkö noin vaan takuuseen, ettei sodan johdosta näin käy?
    Ite en kyllä menis 100% sanomaan mitään mihin liittyy Putin ja Putinin sota
- text: Kohta on lisää lapsia sairaalassa koronan vuoksi ☹
- text: Etunimi Sukunimi pyöräily sekä kävely ovat hyvää liikuntaa
- text: Etunimi Sukunimi Niin.. Nuo todelliset tartunyamäärät voivat olla ihan mitä
    tahansa. Mihinkään rajoitustoimiin ei tarvitsisi ryhtyä. Ihmiset voivat itse pitää
    huolta itsestää, ja valtion tehtävä on pitää huolta siitä että hoitokapasiteetti
    riittää. Tällä hetkellä meillä ei ole mitään hätää. Koko Suomessa tehohoidossa
    koronan vuoksi on noin 2p ihmistä. Tehohoitopaikkoja siis riittää vielä vaikka
    ja kuinka jos tarvetta. Korostan, että edelleenkin ovat turvavälit, hyvä hygienia
    ja turhien kontaktien välttäminen kaikkein tärkeintä. Mitään ei tarvitsisi rajoittaa,
    jollei ihmiset olisi niin helvetin tyhmiä, että osaisivat ajatella ihan omilla
    aivoillaan, eikä valtion tarvitsisi heitä opastaa kädestä pitäen kuten jotain
    pieniä lapsia.
- text: Etunimi hallituksella pitää kuitenkin olla jokin pohja johon perustavat päätöksensä.
    Poikkeustilaa ei voi loputtomiin jatkaa vain mutulla, jolloin heidän on kuunneltava
    aiheen ammattilaisia.
metrics:
- metric
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: TurkuNLP/bert-base-finnish-cased-v1
model-index:
- name: SetFit with TurkuNLP/bert-base-finnish-cased-v1
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: metric
      value: 0.9230958686682255
      name: Metric
---

# SetFit with TurkuNLP/bert-base-finnish-cased-v1

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [TurkuNLP/bert-base-finnish-cased-v1](https://huggingface.co/TurkuNLP/bert-base-finnish-cased-v1) 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:** [TurkuNLP/bert-base-finnish-cased-v1](https://huggingface.co/TurkuNLP/bert-base-finnish-cased-v1)
- **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:** 2 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                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                           |
|:------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 0     | <ul><li>'Etunimi Sukunimi miten luulet tilanteen parantuneen kun sairaala- ja tehohoito potilaiden määrä on vain kasvanut silloisesta?\nOlet niin totaalisen puusilmäinen ja hallirusvihan vallassa, että tätä on turha jatkaa pitemmälle. Pysy terveenä ja rauhallista joulua!'</li><li>'"Hylkiö" unionin toimesta johon ei kuulu.'</li><li>'Etunimi Almonkari-Kuikka en nyt varsinaisesti pelkästään tuota aihetta tarkoittanutkaan. Sekin on kuitenkin vähintään kyseenalaista, koska kyseessä ei ole valmis tuote, vaan hätämyyntiluvalla käytössä oleva ruiske, ja sen seurauksena on niinikään perusoikeudellinen terveydenhuollon taso turvaamattomalla tasolla.'</li></ul> |
| 1     | <ul><li>'Etunimi Sukunimi Niin on..  ja valtioita joista lähinnä venäjä ja valko-venäjä.'</li><li>'Etunimi Sukunimi mulla sama tilanne ja epäilemättä ympäri Suomea, tätähän ei ikinä tulla myöntämään, mutta ei tarvi ku katella ympärilleen, niin joka paikassa sama😁'</li><li>'Etunimi Sukunimi juuri noin. En ole elänyt sodan aikaa,mutta isän kertomat muistan hyvin. Jospa sota loppuu.'</li></ul>                                                                                                                                                                                                                                                                          |

## Evaluation

### Metrics
| Label   | Metric |
|:--------|:-------|
| **all** | 0.9231 |

## 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("Finnish-actions/SetFit-FinBERT1-Avg-acceptance")
# Run inference
preds = model("Kohta on lisää lapsia sairaalassa koronan vuoksi ☹")
```

<!--
### 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   | 19.9323 | 213 |

| Label | Training Sample Count |
|:------|:----------------------|
| 0     | 763                   |
| 1     | 79                    |

### Training Hyperparameters
- batch_size: (16, 16)
- num_epochs: (4, 4)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 6
- 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
- evaluation_strategy: epoch
- eval_max_steps: -1
- load_best_model_at_end: False

### Training Results
| Epoch  | Step | Training Loss | Validation Loss |
|:------:|:----:|:-------------:|:---------------:|
| 0.0016 | 1    | 0.2302        | -               |
| 0.0791 | 50   | 0.2706        | -               |
| 0.1582 | 100  | 0.2415        | -               |
| 0.2373 | 150  | 0.1881        | -               |
| 0.3165 | 200  | 0.0944        | -               |
| 0.3956 | 250  | 0.022         | -               |
| 0.4747 | 300  | 0.0116        | -               |
| 0.5538 | 350  | 0.0034        | -               |
| 0.6329 | 400  | 0.0032        | -               |
| 0.7120 | 450  | 0.0017        | -               |
| 0.7911 | 500  | 0.0071        | -               |
| 0.8703 | 550  | 0.0017        | -               |
| 0.9494 | 600  | 0.0013        | -               |
| 1.0    | 632  | -             | 0.3158          |
| 1.0285 | 650  | 0.0006        | -               |
| 1.1076 | 700  | 0.0163        | -               |
| 1.1867 | 750  | 0.0026        | -               |
| 1.2658 | 800  | 0.0046        | -               |
| 1.3449 | 850  | 0.003         | -               |
| 1.4241 | 900  | 0.0018        | -               |
| 1.5032 | 950  | 0.0026        | -               |
| 1.5823 | 1000 | 0.0043        | -               |
| 1.6614 | 1050 | 0.0031        | -               |
| 1.7405 | 1100 | 0.0014        | -               |
| 1.8196 | 1150 | 0.0026        | -               |
| 1.8987 | 1200 | 0.0011        | -               |
| 1.9778 | 1250 | 0.0014        | -               |
| 2.0    | 1264 | -             | 0.2581          |
| 2.0570 | 1300 | 0.0001        | -               |
| 2.1361 | 1350 | 0.0001        | -               |
| 2.2152 | 1400 | 0.0032        | -               |
| 2.2943 | 1450 | 0.0001        | -               |
| 2.3734 | 1500 | 0.0038        | -               |
| 2.4525 | 1550 | 0.0015        | -               |
| 2.5316 | 1600 | 0.0026        | -               |
| 2.6108 | 1650 | 0.0029        | -               |
| 2.6899 | 1700 | 0.0025        | -               |
| 2.7690 | 1750 | 0.0013        | -               |
| 2.8481 | 1800 | 0.0024        | -               |
| 2.9272 | 1850 | 0.0042        | -               |
| 3.0    | 1896 | -             | 0.2681          |
| 3.0063 | 1900 | 0.0029        | -               |
| 3.0854 | 1950 | 0.0024        | -               |
| 3.1646 | 2000 | 0.0025        | -               |
| 3.2437 | 2050 | 0.0029        | -               |
| 3.3228 | 2100 | 0.0016        | -               |
| 3.4019 | 2150 | 0.0027        | -               |
| 3.4810 | 2200 | 0.0033        | -               |
| 3.5601 | 2250 | 0.0012        | -               |
| 3.6392 | 2300 | 0.0005        | -               |
| 3.7184 | 2350 | 0.0013        | -               |
| 3.7975 | 2400 | 0.005         | -               |
| 3.8766 | 2450 | 0.0002        | -               |
| 3.9557 | 2500 | 0.0015        | -               |
| 4.0    | 2528 | -             | 0.2362          |

### Framework Versions
- Python: 3.11.9
- SetFit: 1.1.3
- Sentence Transformers: 3.2.0
- Transformers: 4.44.0
- PyTorch: 2.4.0+cu124
- Datasets: 2.21.0
- 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}
}
```

<!--
## 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.*
-->