/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Базовая модель
twitter-xlm-roberta-base-sentiment
Библиотека
transformers
Опубликована
4 ноя 2024

sentimientos-bullrich

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa классифицирует тональность комментариев о Патрисии Булрич после президентских дебатов в Аргентине в 2023 году.

9скачиваний за 30 дней0лайковвеса обновлены24 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель sentimientos-bullrich разработана Наталией Марин и Маркосом Мигелем Прунелло в рамках выпускной работы по статистике в Национальном университете Росарио. Это дообученная XLM-RoBERTa для классификации тональности комментариев из социальных сетей, опубликованных после первого президентского дебата в Аргентине в 2023 году и посвящённых кандидату Патрисии Булрич. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment и содержит 305,2 млн параметров; использует библиотеку Transformers, веса представлены в формате safetensors, контекст — до 514 токенов.

Модель подходит для анализа общественной реакции на Булрич в комментариях и изучения политической дискуссии в контексте аргентинских выборов. В карточке приведены общие метрики: точность 0,7580, F1 0,7386 и precision 0,7344. Специализация на конкретном кандидате, платформенном и событийном контексте ограничивает перенос результатов на другие темы и периоды. Лицензия в доступных данных не указана.

Сценарии применения

  • Классификация тональности комментариев о Патрисии Булрич
  • Анализ реакции в соцсетях на первый президентский дебат в Аргентине в 2023 году
  • Изучение политической дискуссии вокруг президентских выборов в Аргентине
  • Подсчёт тональности коротких испаноязычных комментариев о кандидате

Ограничения

Модель специализирована на комментариях о Патрисии Булрич в контексте первого президентского дебата в Аргентине 2023 года, поэтому её точность на других темах и периодах может быть ниже. В карточке указаны accuracy 0,7580 и F1 0,7386; лицензия в доступных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

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 Patricia Bullrich.

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

MétricaValor
Accuracy0.7580
F1 Score0.7386
Precision0.7344
Recall0.7580

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-bullrich"
model = XLMRobertaForSequenceClassification.from_pretrained(model_path)
tokenizer = XLMRobertaTokenizer.from_pretrained(model_path)

# Texto de ejemplo
texto = "Vamos pato"

# 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 {natalia_marín_2024, author = { {Natalia Marín, Marcos Miguel Prunello} }, title = { sentimientos-bullrich (Revision c4419dc) }, year = 2024, url = { https://huggingface.co/natmarinn/sentimientos-bullrich }, doi = { 10.57967/hf/3615 }, publisher = { Hugging Face } }

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForSequenceClassification
Ревизия весов
7c9313c

0 моделей