              precision    recall  f1-score   support

    Negativo     0.9760    0.9760    0.9760       459
    Positivo     0.9761    0.9761    0.9761       460

    accuracy                         0.9761       919
   macro avg     0.9761    0.9761    0.9761       919
weighted avg     0.9761    0.9761    0.9761       919

Uso

python

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# Carregar modelo e tokenizer
tokenizer = AutoTokenizer.from_pretrained("tcepi/mbp_prepared_food_model")
model = AutoModelForSequenceClassification.from_pretrained("tcepi/mbp_prepared_food_model")

# Classificar texto
text = "Seu texto aqui"
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=512)

with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.softmax(outputs.logits, dim=-1)
    predicted_class = torch.argmax(predictions, dim=-1).item()

print(f"Classe predita: {model.config.id2label[predicted_class]}")
print(f"Probabilidades: {predictions.tolist()}")

Treinamento

Hiperparâmetros

Épocas: 10
Learning Rate: 2e-5
Batch Size: 8
Weight Decay: 0.01
Warmup Ratio: 0.1
Mixed Precision: FP16
Optimizer: AdamW

Informações de Treinamento

Tempo Total: 2564.50 segundos
Samples/segundo: 12.89
Loss Final: 0.1150

Dataset

O modelo foi treinado usando o dataset tcepi/mbp_prepared_food_dataset.

Limitações

O modelo foi treinado especificamente para o domínio do dataset MBP/PAS
Performance pode variar em textos de outros domínios
Recomenda-se avaliar o modelo antes de usar em produção