Create README.md
Browse files
README.md
CHANGED
@@ -1,22 +1,42 @@
|
|
1 |
-
|
|
|
|
|
|
|
|
|
2 |
|
|
|
3 |
|
|
|
4 |
|
5 |
-
##
|
6 |
|
7 |
-
|
8 |
-
|
|
|
|
|
|
|
|
|
9 |
|
10 |
-
|
11 |
-
|
12 |
-
|
13 |
-
|
14 |
-
|
15 |
|
16 |
-
##
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
17 |
|
18 |
def predict(text):
|
19 |
-
inputs =
|
20 |
with torch.no_grad():
|
21 |
outputs = model(**inputs)
|
22 |
|
@@ -24,14 +44,35 @@ def predict(text):
|
|
24 |
predicted_class = torch.argmax(probabilities, dim=-1).item()
|
25 |
|
26 |
class_labels = {0: "negativo", 1: "neutro", 2: "positivo"}
|
27 |
-
|
28 |
-
predicted_probability = probabilities[0][predicted_class].item()
|
29 |
-
|
30 |
-
return predicted_label, predicted_probability, probabilities[0].tolist()
|
31 |
|
32 |
# Ejemplo de uso
|
33 |
-
|
34 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
35 |
|
36 |
-
|
37 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
---
|
2 |
+
language:
|
3 |
+
- es
|
4 |
+
base_model: cardiffnlp/twitter-roberta-base-sentiment-latest
|
5 |
+
---
|
6 |
|
7 |
+
# BERT Bregman - Modelo de Análisis de Sentimientos en Español
|
8 |
|
9 |
+
Este modelo está basado en XLM-RoBERTa y ha sido fine-tuned para realizar análisis de sentimientos en textos en español.
|
10 |
|
11 |
+
## Rendimiento del Modelo
|
12 |
|
13 |
+
• *Accuracy*: 0.7432
|
14 |
+
• *F1 Score*: 0.7331
|
15 |
+
• *Precision*: 0.7483
|
16 |
+
• *Recall*: 0.7432
|
17 |
+
|
18 |
+
### Métricas por Clase
|
19 |
|
20 |
+
| Clase | Precision | Recall | F1-Score | Support |
|
21 |
+
|----------|-----------|--------|----------|---------|
|
22 |
+
| Negativo | 0.8718 | 0.7234 | 0.7907 | 47 |
|
23 |
+
| Neutro | 0.0000 | 0.0000 | 0.0000 | 3 |
|
24 |
+
| Positivo | 0.6000 | 0.8750 | 0.7119 | 24 |
|
25 |
|
26 |
+
## Uso del Modelo
|
27 |
+
|
28 |
+
Este modelo puede ser utilizado para clasificar el sentimiento de textos en español en tres categorías: negativo, neutro y positivo.
|
29 |
+
|
30 |
+
python
|
31 |
+
from transformers import AutoModelForSequenceClassification, AutoTokenizer
|
32 |
+
import torch
|
33 |
+
|
34 |
+
model_name = "nmarinnn/bert-bregman"
|
35 |
+
model = AutoModelForSequenceClassification.from_pretrained(model_name)
|
36 |
+
tokenizer = AutoTokenizer.from_pretrained(model_name)
|
37 |
|
38 |
def predict(text):
|
39 |
+
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)
|
40 |
with torch.no_grad():
|
41 |
outputs = model(**inputs)
|
42 |
|
|
|
44 |
predicted_class = torch.argmax(probabilities, dim=-1).item()
|
45 |
|
46 |
class_labels = {0: "negativo", 1: "neutro", 2: "positivo"}
|
47 |
+
return class_labels[predicted_class]
|
|
|
|
|
|
|
48 |
|
49 |
# Ejemplo de uso
|
50 |
+
texto = "Me encanta este producto, es excelente!"
|
51 |
+
sentimiento = predict(texto)
|
52 |
+
print(f"El sentimiento del texto es: {sentimiento}")
|
53 |
+
|
54 |
+
|
55 |
+
## Limitaciones
|
56 |
+
|
57 |
+
• El modelo muestra un rendimiento bajo en la clase "neutro", posiblemente debido a un desbalance en el dataset de entrenamiento.
|
58 |
+
• Se recomienda precaución al interpretar resultados para textos muy cortos o ambiguos.
|
59 |
+
|
60 |
+
## Información de Entrenamiento
|
61 |
+
|
62 |
+
• *Épocas*: 2
|
63 |
+
• *Pasos de entrenamiento*: 148
|
64 |
+
• *Pérdida de entrenamiento*: 0.6209
|
65 |
+
|
66 |
+
## Cita
|
67 |
+
|
68 |
+
Si utilizas este modelo en tu investigación, por favor cita:
|
69 |
+
|
70 |
|
71 |
+
@misc{marinnn2023bertbregman,
|
72 |
+
author = {Marin, Natalia},
|
73 |
+
title = {BERT Bregman - Modelo de Análisis de Sentimientos en Español},
|
74 |
+
year = {2023},
|
75 |
+
publisher = {HuggingFace},
|
76 |
+
journal = {HuggingFace Model Hub},
|
77 |
+
howpublished = {\url{https://huggingface.co/nmarinnn/bert-bregman}}
|
78 |
+
}
|