metadata

language: es
tags:
  - sentiment-analysis
  - text-classification
  - spanish
  - xlm-roberta
license: mit
datasets:
  - custom
metrics:
  - accuracy
  - f1
library_name: transformers
pipeline_tag: text-classification
widget:
  - text: Bregman presidente!
    example_title: Ejemplo positivo
  - text: No estoy seguro si me gusta o no.
    example_title: Ejemplo neutro
  - text: No saca más del 2%
    example_title: Ejemplo negativo
model-index:
  - name: bert-bregman
    results:
      - task:
          type: text-classification
          name: Sentiment Analysis
        dataset:
          name: Custom Spanish Sentiment Dataset
          type: custom
        metrics:
          - type: accuracy
            value: 0.7432432432432432
          - type: f1
            value: 0.7330748170322471
architectures:
  - XLMRobertaForSequenceClassification
transformers_version: 4.41.2
base_model: cardiffnlp/twitter-xlm-roberta-base-sentiment
inference:
  parameters:
    temperature: 1
    max_length: 512
    num_return_sequences: 1

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.

⁠ ```python from transformers import AutoModelForSequenceClassification, AutoTokenizer import torch

model_name = "nmarinnn/bert-bregman" 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 rusa!" sentimiento = predict(texto) print(f"El sentimiento del texto es: {sentimiento}")

 ⁠

## Limitaciones

•⁠  ⁠El modelo 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}}
}