Spaces:
Runtime error
Runtime error
| title: Analisis De Sentimientos | |
| emoji: 🥺😡 | |
| colorFrom: yellow | |
| colorTo: indigo | |
| sdk: streamlit | |
| sdk_version: 1.17.0 | |
| app_file: app.py | |
| pinned: false | |
| # Modelo Clasificatorio de sentiminentos | |
| Mi proyecto es un modelo multi-label que clasifica sentimientos en tristeza (sadness), enojo(anger), alegria(joy), miedo(fear) y sorpresa(surprise) fue entrenado y validado a partir de una tabla de texto y fue modelado con BERT y PyTorch Lightning. | |
| ## Decisions | |
| `1` Clasificar sentimientos (anger, sadness, joy, fear, surprise, neutral). | |
| `2` Usar de referencia estos modelos: | |
| - https://github.com/curiousily/Getting-Things-Done-with-Pytorch/blob/master/11.multi-label-text-classification-with-bert.ipynb | |
| - https://www.youtube.com/watch?v=UJGxCsZgalA&ab_channel=VenelinValkov | |
| - https://github.com/theartificialguy/NLP-with-Deep-Learning/blob/master/BERT/Multi%20Label%20Text%20Classification%20using%20BERT%20PyTorch/bert_multilabel_pytorch_standard.ipynb | |
| `3` Añadir un dropout en las capas para que el modelo no se sobreajuste. | |
| `4` Anadir checkpoints en el entrenamiento para evitar que la ram se ocupe totalmente. | |
| `5` Utilizar la funcion de activacion sigmoid en al ultima capa para un mejor resultado final. | |
| `6` Utilizar optimizador AdamW y funcion de perdida binary_crossentropy con BCELoss como criterio, que son de los mas recomendados y usados para estos modelos. | |
| `7` Utilizar 1625 ensayos de entrenamiento y 86 ensayos de validacion. | |
| ## Data Sources | |
| Use la tabla de entrenamiento y de validacion sobre sentimientos de esta fuente [messages_train_ready_for_WS.tsv](https://github.com/caisa-lab/wassa-empathy-adapters/tree/main/data). | |
| ## Features | |
| La entrada es texto a trave de un campo de texto, para predecir y/o clasificar los sentimientos que mas se asemejan al texto. | |
| ## Data Collection | |
| Decidi utilizar esta coleccion de datos porque tiene una gran variedad de texto en diferentes contextos y con una gran variedad de sentimientos que se midieron a aprtir de varias columnas de metricas. | |
| ## Value Proposition | |
| Puede ser utilizado en aplicaciones de reconocimiento de sentimientos, como filtro de textos empresariales por ejemplo, en programas psicologicos que permitan ayudar a personas que tengan algun problema en entender los sentimientos de otros o personas con discapacidad en general, por ejemplo con discapacidad en el habla que se comunica a traves de texto como entrada a un sistema que genera sonidos, podria modificar el tono de voz a partir de esta prediccion y reflejar los sentimientos de la persona. | |
| # Environment requirements to run the model | |
| Transformers 4.5.1 | |
| Pytorch lightning 1.2.8 | |
| Numpy | |
| Pandas | |
| Torch | |
| Sklearn | |