File size: 1,889 Bytes
4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e 4006f94 46a795e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 |
---
language:
- es
license: apache-2.0
tags:
- text-classification
- bert
- requirements-engineering
- condition-action
- software-requirements
datasets:
- custom
metrics:
- accuracy
- f1
model-index:
- name: condition-extractor-model
results:
- task:
type: text-classification
name: Clasificación de Condiciones-Acciones
metrics:
- type: accuracy
value: 0.975
name: Accuracy
- type: f1
value: 0.975
name: F1 Score
---
# condition-extractor-model
## Descripción
Modelo BERT fine-tuned para clasificar oraciones de requisitos de software que contienen estructuras condición-acción.
## Uso
```python
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
# Cargar modelo
model_name = "Kevinsanchez11/condition-extractor-model"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
# Predecir
texto = "Si el usuario presiona el botón, el sistema valida los datos"
inputs = tokenizer(texto, return_tensors="pt", max_length=128, truncation=True, padding=True)
with torch.no_grad():
outputs = model(**inputs)
probs = torch.softmax(outputs.logits, dim=1)
pred = torch.argmax(probs, dim=1).item()
resultado = "Tiene condición-acción" if pred == 1 else "No tiene condición-acción"
print(f"{resultado} ({probs[0, pred].item()*100:.1f}%)")
```
## Entrenamiento
- **Modelo base**: dccuchile/bert-base-spanish-wwm-uncased
- **Dataset**: 523 oraciones de requisitos de software
- **Épocas**: 5 (con early stopping)
- **Accuracy**: 97.5%
- **F1-Score**: 97.5%
## Etiquetas
- **0**: Sin condición-acción
- **1**: Con condición-acción (estructura Si/Cuando/Al... entonces...)
## Autores
Desarrollado para generación automática de casos de prueba a partir de requisitos de software.
## Licencia
Apache 2.0
|