---
tags:
- bertopic
library_name: bertopic
pipeline_tag: text-classification
---

# mdl_bertopic_globo

This is a [BERTopic](https://github.com/MaartenGr/BERTopic) model. 
BERTopic is a flexible and modular topic modeling framework that allows for the generation of easily interpretable topics from large datasets. 

## Usage 

To use this model, please install BERTopic:

```
pip install -U bertopic
```

You can use the model as follows:

```python
from bertopic import BERTopic
topic_model = BERTopic.load("strauss-oak/mdl_bertopic_globo")

topic_model.get_topic_info()
```

## Topic overview

* Number of topics: 20
* Number of training documents: 24433

<details>
  <summary>Click here for an overview of all topics.</summary>
  
  | Topic ID | Topic Keywords | Topic Frequency | Label | 
|----------|----------------|-----------------|-------| 
| -1 | disse - anos - presidente - ainda - pessoas | 13 | -1_disse_anos_presidente_ainda | 
| 0 | dose - saude - covid - vacina - casos | 7995 | 0_dose_saude_covid_vacina | 
| 1 | presidente - bolsonaro - governo - disse - lula | 3785 | 1_presidente_bolsonaro_governo_disse | 
| 2 | policia - disse - local - policiais - anos | 3626 | 2_policia_disse_local_policiais | 
| 3 | anos - musica - brasil - gente - vai | 2170 | 3_anos_musica_brasil_gente | 
| 4 | ucrania - russia - guerra - putin - disse | 1616 | 4_ucrania_russia_guerra_putin | 
| 5 | chuva - sul - feira - chuvas - energia | 690 | 5_chuva_sul_feira_chuvas | 
| 6 | preco - precos - produto - petrobras - combustiveis | 619 | 6_preco_precos_produto_petrobras | 
| 7 | hospital - anos - familia - paulo - disse | 617 | 7_hospital_anos_familia_paulo | 
| 8 | inflacao - juros - alta - taxa - economia | 501 | 8_inflacao_juros_alta_taxa | 
| 9 | dezenas - aposta - premio - probabilidade - caixa | 378 | 9_dezenas_aposta_premio_probabilidade | 
| 10 | voo - aeronave - aviao - voos - aeroporto | 370 | 10_voo_aeronave_aviao_voos | 
| 11 | internet - iphone - rede - facebook - usuarios | 360 | 11_internet_iphone_rede_facebook | 
| 12 | valor - pagamento - declaracao - valores - imposto | 342 | 12_valor_pagamento_declaracao_valores | 
| 13 | fase - manifestantes - servicos - funcionar - paulo | 336 | 13_fase_manifestantes_servicos_funcionar | 
| 14 | desmatamento - amazonia - indigenas - emissoes - brasil | 333 | 14_desmatamento_amazonia_indigenas_emissoes | 
| 15 | taliba - israel - afeganistao - hamas - gaza | 327 | 15_taliba_israel_afeganistao_hamas | 
| 16 | trabalho - trimestre - milhoes - trabalhadores - pessoas | 167 | 16_trabalho_trimestre_milhoes_trabalhadores | 
| 17 | pessoas - genero - trans - racismo - lgbtqia | 97 | 17_pessoas_genero_trans_racismo | 
| 18 | licenca - paternidade - licenca paternidade - piangers - ovulos | 91 | 18_licenca_paternidade_licenca paternidade_piangers |
  
</details>

## Training hyperparameters

* calculate_probabilities: False
* language: None
* low_memory: False
* min_topic_size: 10
* n_gram_range: (1, 1)
* nr_topics: 20
* seed_topic_list: None
* top_n_words: 10
* verbose: False
* zeroshot_min_similarity: 0.7
* zeroshot_topic_list: None

## Framework versions

* Numpy: 1.23.5
* HDBSCAN: 0.8.33
* UMAP: 0.5.5
* Pandas: 1.5.3
* Scikit-Learn: 1.2.2
* Sentence-transformers: 2.2.2
* Transformers: 4.35.2
* Numba: 0.58.1
* Plotly: 5.15.0
* Python: 3.10.12