YAML Metadata Warning:empty or missing yaml metadata in repo card
Check out the documentation for more information.
Clasificador de Tipos de Comida
Este es un modelo de clasificaci贸n de textos que predice el tipo de comida basado en su descripci贸n. Los tipos de comida disponibles son: espa帽ola, italiana y japonesa.
Descripci贸n
El modelo fue entrenado usando descripciones de platos de comida, y clasifica las descripciones en una de las tres categor铆as: espa帽ola, italiana o japonesa.
Dataset
El modelo fue entrenado usando un dataset de descripciones de platos. Las descripciones est谩n etiquetadas seg煤n el tipo de comida al que pertenecen. El dataset contiene platos representativos de la cocina espa帽ola, italiana y japonesa.
Licencia
El modelo est谩 disponible bajo la licencia CC-BY-NC-4.0. Esto significa que puedes usar el modelo de forma no comercial, pero debes dar cr茅dito adecuado al creador original.
C贸digo de Entrenamiento
El modelo fue entrenado utilizando el siguiente proceso:
- Carga de los datos: Se carg贸 un dataset que contiene descripciones de platos de comida desde Hugging Face.
- Preprocesamiento: Las descripciones de comida fueron transformadas en vectores num茅ricos utilizando
TfidfVectorizer, que toma en cuenta la importancia de las palabras dentro de los documentos. - Modelo de Clasificaci贸n: Se us贸 un clasificador de regresi贸n log铆stica (
LogisticRegression) para predecir el tipo de comida (espa帽ola, italiana o japonesa). - Guardado del Modelo: El modelo entrenado se guard贸 utilizando la librer铆a
joblibpara poder ser reutilizado sin necesidad de reentrenar.
C贸digo utilizado para entrenar el modelo
import pandas as pd
from sklearn.pipeline import make_pipeline
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
import joblib
# Cargar los datos directamente desde Hugging Face
url = "https://huggingface.co/datasets/iabd10/comidas/resolve/main/comidas.csv"
df = pd.read_csv(url)
# Verificar la distribuci贸n de clases
print("Distribuci贸n de clases:\n", df["tipo"].value_counts())
# Separar las caracter铆sticas (descripci贸n) y las etiquetas (tipo de comida)
X, y = df["descripcion"], df["tipo"]
# Crear un pipeline con un TfidfVectorizer y Logistic Regression
modelo = make_pipeline(TfidfVectorizer(), LogisticRegression(max_iter=200))
# Entrenar el modelo
modelo.fit(X, y)
# Guardar el modelo
joblib.dump(modelo, "clasificador_comidas.pkl")