natmarinn/sentimientos-bregman

Modelo de Clasificación de Sentimientos - Debate Presidencial Argentina 2023

Este modelo ha sido desarrollado en el marco de la Tesina para obtener el título de Licenciatura en Estadística en la Universidad Nacional de Rosario (UNR).

Autores:

• Alumna: Natalia Marín
• Director: Mag. Marcos Miguel Prunello

Descripción

Este modelo está diseñado para clasificar comentarios de diversas redes sociales obtenidos luego del primer debate presidencial en Argentina en el año 2023. Ha sido específicamente ajustado para analizar los comentarios sobre la candidata (especificar candidata).

Para más información, consulte el siguiente enlace: link

Detalles del Modelo

• Modelo base preentrenado: cardiffnlp/twitter-xlm-roberta-base-sentiment
• Ajuste específico: El modelo ha sido fine-tuneado para clasificar comentarios sobre la candidata en el contexto de las elecciones presidenciales en Argentina.

Métricas Generales

Métrica	Valor
Accuracy	0.837838
F1 Score	0.824761
Precision	0.812948
Recall	0.837838

Métricas por Clase

Clase	Precision	Recall	F1	Support
Clase 0	0.867925	0.92	0.893204	50
Clase 1	0.0	0.0	0.0	2
Clase 2	0.761905	0.727273	0.744186	22

Matriz de Confusión

	Clase 0	Clase 1	Clase 2
Clase 0	46	0	4
Clase 1	1	0	1
Clase 2	6	0	16

Cargar y Usar el Modelo en Python

A continuación, se muestra un ejemplo de cómo cargar el modelo y su tokenizador, y realizar una predicción de sentimiento en un comentario:

from transformers import XLMRobertaForSequenceClassification, XLMRobertaTokenizer
import torch

# Cargar el modelo y el tokenizador
model_path = "natmarinn/sentimientos bregman"
model = XLMRobertaForSequenceClassification.from_pretrained(model_path)
tokenizer = XLMRobertaTokenizer.from_pretrained(model_path)

# Texto de ejemplo
texto = "Vamos rusa."

# Tokenización
inputs = tokenizer(texto, return_tensors="pt", truncation=True)

# Predicción
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits
    pred_class = torch.argmax(logits, dim=1).item()

# Mostrar resultado
clases = ["Clase 0", "Clase 1", "Clase 2"]
print(f"El comentario es clasificado como: {clases[pred_class]}")

@misc{sentimientosbregman2024, author = {Marín, Natalia and Prunello, Marcos Miguel}, title = {Sentimientos-Bregman}, year = 2024, }