BERT-bregman - Modelo de Análisis de Sentimientos en Español
Este modelo está basado en XLM-RoBERTa y ha sido fine-tuned para realizar análisis de sentimientos en textos en español.
Rendimiento del Modelo
• Accuracy: 0.7432 • F1 Score: 0.7331 • Precision: 0.7483 • Recall: 0.7432
Métricas por Clase
Clase | Precision | Recall | F1-Score | Support |
---|---|---|---|---|
Negativo | 0.8718 | 0.7234 | 0.7907 | 47 |
Neutro | 0.0000 | 0.0000 | 0.0000 | 3 |
Positivo | 0.6000 | 0.8750 | 0.7119 | 24 |
Uso del Modelo
Este modelo puede ser utilizado para clasificar el sentimiento de textos en español en tres categorías: negativo, neutro y positivo.
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch
model_name = "nmarinnn/bert-bullrich"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
def predict(text):
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)
with torch.no_grad():
outputs = model(**inputs)
probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
predicted_class = torch.argmax(probabilities, dim=-1).item()
class_labels = {0: "negativo", 1: "neutro", 2: "positivo"}
return class_labels[predicted_class]
# Ejemplo de uso
texto = "Vamos pato!"
sentimiento = predict(texto)
print(f"El sentimiento del texto es: {sentimiento}")
- muestra un rendimiento bajo en la clase "neutro", posiblemente debido a un desbalance en el dataset de entrenamiento. • Se recomienda precaución al interpretar resultados para textos muy cortos o ambiguos.
Información de Entrenamiento
• Épocas: 2 • Pasos de entrenamiento: 148 • Pérdida de entrenamiento: 0.6209
Cita
Si utilizas este modelo en tu investigación, por favor cita:
@misc{marinnn2023bertbregman, author = {Marin, Natalia}, title = {BERT Bregman - Modelo de Análisis de Sentimientos en Español}, year = {2023}, publisher = {HuggingFace}, journal = {HuggingFace Model Hub}, howpublished = {\url{https://huggingface.co/nmarinnn/bert-bregman}} }
- Downloads last month
- 47
Model tree for nmarinnn/bert-bregman
Space using nmarinnn/bert-bregman 1
Collection including nmarinnn/bert-bregman
Evaluation results
- accuracy on Custom Spanish Sentiment Datasetself-reported0.743
- f1 on Custom Spanish Sentiment Datasetself-reported0.733