Update README.md

README.md

@@ -31,37 +31,51 @@ model-index:
             value: 0.927
 ---
 
-Türkçe Duygu Analizi Modeli (ba2hann/bert-base-turkish-sentiment-analize)
+# Türkçe Duygu Analizi Modeli (ba2hann/bert-base-turkish-sentiment-analize)
+
 Bu model, Türkçe metinler için duygu analizi yapmayı amaçlamaktadır. Model, dört farklı duygu kategorisini sınıflandırmak üzere eğitilmiştir:
 
+*   Irkçılık
+*   Kızdırma (Hakaret/Küfür)
+*   Nötr
+*   Cinsiyetçilik
+
+## Model Detayları
+
+Bu model, `bert-base-turkish-cased` modeli temel alınarak özel bir veri seti üzerinde eğitilmiştir. Hedef, sosyal medyada ve diğer metin tabanlı platformlarda sıklıkla karşılaşılan olumsuz ve ayrımcı söylemleri tespit etmektir.
+
+## Performans Metrikleri
+
+Modelin genel performansı aşağıdaki gibidir:
+
+*   **Doğruluk (Accuracy):** %93.7
 
-Irkçılık
-Kızdırma
-Nötr
-Cinsiyetçilik
-Performans Metrikleri
-Model, aşağıdaki doğruluk değerlerine sahiptir:
+Kategori bazlı performans metrikleri ise şöyledir:
 
-Kullanım Örneği
-Aşağıdaki Python kodu, bu modeli kullanarak bir metin analizinin nasıl yapılacağını göstermektedir:
+| Kategori     | Precision | Recall | F1 Score |
+|--------------|-----------|--------|----------|
+| Irkçılık     | 0.881     | 0.919  | 0.899    |
+| Kızdırma     | 0.944     | 0.912  | 0.927    |
+| Nötr         | 0.960     | 0.965  | 0.963    |
+| Cinsiyetçilik | 0.857     | 0.904  | 0.880    |
 
-python
-Copy code
+## Nasıl Kullanılır?
+
+Aşağıdaki Python kodu, `transformers` kütüphanesi ile bu modelin nasıl kullanılacağını göstermektedir:
+
+```python
 import torch
 from transformers import pipeline
 
-# Model adı
 model_name = "ba2hann/bert-base-turkish-sentiment-analize"
 
-# Duygu analizi için pipeline oluşturma
 sentiment_pipeline = pipeline(
     task="text-classification",
     model=model_name,
     tokenizer=model_name,
-    device=0 if torch.cuda.is_available() else -1  # GPU kullanılabilirliği kontrolü
+    device=0 if torch.cuda.is_available() else -1  # GPU varsa kullan, yoksa CPU
 )
 
-# Kategori haritası
 category_map = {
     0: "Irkçılık",
     1: "Kızdırma",
@@ -69,29 +83,27 @@ category_map = {
     3: "Cinsiyetçilik"
 }
 
-Performans Metrikleri
-Model, aşağıdaki doğruluk değerlerine sahiptir:
-
-Kategori	Precision	Recall	F1 Score
-Irkçılık	0.881	0.919	0.899
-Kızdırma	0.944	0.912	0.927
-Nötr	0.960	0.965	0.963
-Cinsiyetçilik	0.857	0.904	0.880
-Genel Doğruluk (Accuracy): %93.7
-
-if __name__ == "__main__":
-    # Analiz edilecek örnek cümle
-    ornek_cumle = "örnek cümle"
-    
-    # Pipeline ile analiz
-    sonuc = sentiment_pipeline(ornek_cumle)[0]
-
-    # Tahmini kategoriye dönüştürme
-    label_index = int(sonuc['label'].split('_')[-1])  # 'LABEL_0' -> 0
+def analyze_sentiment(text):
+    sonuc = sentiment_pipeline(text)[0]
+    label_index = int(sonuc['label'].split('_')[-1])
     kategori = category_map.get(label_index, "Bilinmeyen")
+    return {
+        "text": text,
+        "category": kategori,
+        "score": sonuc['score']
+    }
 
-    # Sonuçları yazdırma
-    print("\nAnaliz Sonuçları:")
-    print(f"Analiz Edilen Cümle: {ornek_cumle}")
-    print(f"Tahmin: {kategori}")
-    print(f"Tahmin Güveni: {sonuc['score']:.2%}")
+if __name__ == "__main__":
+    ornek_cumleler = [
+        "Bu çok güzel bir gün.", #Nötr
+        "Sen ne kadar aptalsın!", #Kızdırma
+        "Bu ırkçı bir söylem.", #Irkçılık
+        "Kadınlar araba kullanamaz.", #Cinsiyetçilik
+        "Bu konu hakkında hiçbir fikrim yok." #Nötr
+    ]
+    for ornek_cumle in ornek_cumleler:
+      sonuc = analyze_sentiment(ornek_cumle)
+      print("\nAnaliz Sonuçları:")
+      print(f"Analiz Edilen Cümle: {sonuc['text']}")
+      print(f"Tahmin: {sonuc['category']}")
+      print(f"Tahmin Güveni: {sonuc['score']:.2%}")