| # 🚨 Natural Language Processing with Disaster Tweets |
|
|
| Este repositório contém uma solução para a competição **"Natural Language Processing with Disaster Tweets"** do Kaggle. O objetivo do projeto é construir um modelo de Machine Learning/Deep Learning capaz de classificar se um tweet está relatando um desastre/emergência real (`1`) ou se utiliza termos conotativos/figurados (`0`). |
|
|
| --- |
|
|
| ## 📌 Visão Geral do Projeto |
|
|
| - **Plataforma:** Kaggle |
| - **Métrica de Avaliação:** $F_1\text{-score}$ |
| - **Linguagem:** Python 3.x |
| - **Principais Tecnologias:** `pandas`, `scikit-learn`, `PyTorch`, `transformers` (Hugging Face) |
| |
| --- |
| |
| ## ⚙️ Abordagem e Modelos |
| |
| ### Baseline: TF-IDF + Logistic Regression |
| - **Pré-processamento:** Limpeza de URLs e tags HTML, preservação de hashtags e números, e concatenação do campo `keyword` ao texto do tweet. |
| - **Vetorização:** `TfidfVectorizer` (unigramas e bigramas, `max_features=10000`). |
| - **Algoritmo:** Regressão Logística. |
| - **Resultado ($F_1\text{-score}$ em Validação Cruzada 5-Fold):** ~0.785 |
| |
| --- |
| |
| ## 📂 Estrutura do Repositório |
| |
| ```text |
| ├── data/ |
| │ ├── train.csv # Dataset de treino |
| │ └── test.csv # Dataset de teste (Kaggle) |
| ├── notebooks/ |
| │ ├── 01_baseline_tfidf.ipynb # Modelo baseline (TF-IDF + Logistic Regression) |
| ├── submissions/ |
| │ ├── submission_baseline.csv |
| │ └── submission_deberta.csv |
| ├── README.md |
| └── requirements.txt |
| |
