gabrielnkl
/

fine-tuned-bert

@@ -1,46 +1,42 @@
 ---
-tags:
-- text-classification
-- sentiment-analysis
-- imdb
-- distilbert
 ---
-# 📢 DistilBERT Fine-Tuned para Análise de Sentimentos 🎭
-Este modelo é uma versão **DistilBERT** fine-tuned para **análise de sentimentos** em textos de avaliações de filmes. Ele classifica textos como **positivos** ou **negativos** com alta precisão.
 ## 📖 Dataset
-O modelo foi treinado no dataset [IMDb](https://huggingface.co/datasets/imdb), contendo **50.000 avaliações de filmes** balanceadas entre rótulos positivos e negativos.
-## 📊 Avaliação
-A performance do modelo foi avaliada em um conjunto de teste com **25.000 avaliações**, obtendo os seguintes resultados:
-| Métrica         | Valor |
-|----------------|-------|
-| **Acurácia**   | 93.2% |
-| **Precisão**   | 93%   |
-| **Recall**     | 93%   |
-| **F1-score**   | 93%   |
-Essas métricas indicam que o modelo consegue prever corretamente avaliações de filmes na maioria dos casos.
-## 📊 Matriz de Confusão
-A matriz de confusão abaixo mostra o desempenho do modelo nas previsões:
-![Matriz de Confusão](https://huggingface.co/gabrielnkl/fine-tuned-bert/resolve/main/matriz_confusao.png)
-## 🚀 Como Usar
-Para utilizar o modelo, basta carregar com `transformers` e usar o pipeline de classificação de texto:
 ```python
 from transformers import pipeline
@@ -49,12 +45,13 @@ model_name = "gabrielnkl/fine-tuned-bert"
 classifier = pipeline("text-classification", model=model_name)
-text = "Esse filme foi incrível! Gostei muito das atuações e do enredo."
 result = classifier(text)
 print(result)
 # [{'label': 'POSITIVE', 'score': 0.98}]
 O notebook usado para treinar este modelo está disponível no GitHub:
 (https://github.com/Gabrielnkl/fine-tuned-bert-model/blob/main/finetuning.py)

 ---
+tags:
+- text-classification
+- sentiment-analysis
+- imdb
+- distilbert
 ---
+# 📢 DistilBERT Fine-Tuned for Sentiment Analysis 🎭
+This model is a **fine-tuned DistilBERT** for **sentiment analysis** on movie review texts. It classifies texts as **positive** or **negative** with high accuracy.
 ## 📖 Dataset
+The model was trained on the [IMDb](https://huggingface.co/datasets/imdb) dataset, which contains **50,000 movie reviews** balanced between positive and negative labels.
+## 📊 Evaluation
+The model's performance was evaluated on a test set of **25,000 reviews**, achieving the following results:
+| Metric         | Value |
+|---------------|-------|
+| **Accuracy**  | 93.2% |
+| **Precision** | 93%   |
+| **Recall**    | 93%   |
+| **F1-score**  | 93%   |
+These metrics indicate that the model correctly predicts movie reviews in most cases.
+## 📊 Confusion Matrix
+The confusion matrix below shows the model's performance on predictions:
+![Confusion Matrix](https://huggingface.co/gabrielnkl/fine-tuned-bert/resolve/main/matriz_confusao.png)
+## 🚀 How to Use
+To use the model, simply load it with `transformers` and use the text classification pipeline:
 ```python
 from transformers import pipeline
 classifier = pipeline("text-classification", model=model_name)
+text = "This movie was amazing! I really liked the acting and the storyline."
 result = classifier(text)
 print(result)
 # [{'label': 'POSITIVE', 'score': 0.98}]
 O notebook usado para treinar este modelo está disponível no GitHub:
 (https://github.com/Gabrielnkl/fine-tuned-bert-model/blob/main/finetuning.py)