Update app.py

app.py

@@ -3,7 +3,7 @@ import tensorflow as tf
 from transformers import pipeline
 import os
 
-# Cargar tus modelos de clasificación (asumiendo que están en la raíz del proyecto)
+
 try:
     model_transformer_encoder = tf.keras.models.load_model('stacked_transformer_encoder.keras')
     model_transformer_positional_encoding = tf.keras.models.load_model('transformer_encoder_pos.keras')
@@ -17,7 +17,7 @@ except Exception as e:
     model_simple_rnn = None
     model_lstm = None
 
-# Cargar el pipeline de traducción de Hugging Face (inglés a español)
+# Cargar el pipeline de traducción de Hugging Face 
 try:
     translator_en_es = pipeline("translation", model="Helsinki-NLP/opus-mt-en-es")
 except Exception as e:
@@ -37,12 +37,8 @@ def clasificar_noticia(texto, modelo_seleccionado):
         modelo_a_usar = model_lstm
 
     if modelo_a_usar:
-        # *** IMPORTANTE: Implementa aquí la lógica de preprocesamiento del texto ***
-        # para que coincida con la entrada esperada por el modelo.
-        # Esto incluye tokenización, padding, etc.
+
         prediction = modelo_a_usar.predict([texto])
-        # *** IMPORTANTE: Interpreta la salida del modelo para obtener la clase predicha. ***
-        # Esto dependerá de cómo entrenaste tu modelo.
         return f"Clase predicha ({modelo_seleccionado}): {prediction}"
     else:
         return f"El modelo '{modelo_seleccionado}' no está disponible."