Update app.py

app.py

@@ -1,33 +1,37 @@
-
 import gradio as gr
 import joblib
 import numpy as np
 import os
 
-# Carrega o pipeline baseline (TF-IDF + LogisticRegression)
 MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
 
-if not os.path.exists(MODEL_PATH):
-    raise FileNotFoundError(f"Arquivo de modelo não encontrado: {MODEL_PATH}. Faça upload de baseline_pipe.pkl.")
-
-baseline = joblib.load(MODEL_PATH)
+baseline = None
+if os.path.exists(MODEL_PATH):
+   baseline = joblib.load(MODEL_PATH)
 
 def predict_sentiment(text: str):
-    if not text or text.strip() == "":
-        return {"predição": "n/a", "confiança": 0.0}
-    proba = baseline.predict_proba([text])[0]
-    pred = int(np.argmax(proba))
-    label = "positivo" if pred == 1 else "negativo"
-    conf = float(np.max(proba))
-    return {"predição": label, "confiança": conf}
+  if not text or text.strip() == "":
+     return {"predição": "n/a", "confiança":
+0.0}
+if baseline is None:
+   # Mensagem amigável quando o modelo
+ainda não foi enviado
+return {"erro": "Modelo não encontrado.
+Envie baseline_pipe.pkl nos Files do Space."}
+  proba = baseline.predict_proba([text])[0]
+  pred = int(np.argmax(proba))
+  label = "positivo" if pred == 1 else
+"negativo"
+  conf = float(np.max(proba))
+  return {"predição": label, "confiança": conf}
 
 demo = gr.Interface(
-    fn=predict_sentiment,
-    inputs=gr.Textbox(label="Digite uma avaliação de produto"),
-    outputs=gr.JSON(label="Resultado"),
-    title="Análise de Sentimentos (Amazon Polarity)",
-    description="Pipeline TF-IDF + Regressão Logística. Faça upload de baseline_pipe.pkl gerado no notebook."
-)
+  fn=predict_sentiment,
+  inputs=gr.Textbox(label="Digite uma
+avaliação de produto"),
+  outputs=gr.JSON(label="Resultado"),
+  title="Análise de Sentimentos (Amazon Polarity)",
+  description="Envie o arquivo baseline_pipe.pkl na aba Files para ativar o modelo." )
 
-if __name__ == "__main__":
-    demo.launch()
+if_name_ == "_main
+  demo.launch()