Update app.py

app.py

@@ -1,33 +1,52 @@
 import gradio as gr
-import joblib
 import numpy as np
-import os
 
-MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
+# Apenas importa as bibliotecas necessárias para a interface
+# As importações de joblib e os/os.path foram removidas, pois não são mais necessárias
 
-baseline = None
-if os.path.exists(MODEL_PATH):
-    baseline = joblib.load(MODEL_PATH)
+# Dicionários de palavras para a lógica de classificação simples
+PALAVRAS_POSITIVAS = ["bom", "ótimo", "excelente", "adorei", "perfeito", "recomendo"]
+PALAVRAS_NEGATIVAS = ["ruim", "péssimo", "decepção", "terrível", "não gostei", "horrível"]
+
+# Removemos a variável MODEL_PATH e a tentativa de carregar o modelo.
+# O baseline agora é implicitamente None, mas a função abaixo lidará com a previsão.
 
 def predict_sentiment(text: str):
+    """
+    Simula a previsão de sentimento baseada em palavras-chave (dummy).
+    """
     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}
+    
+    # Prepara o texto para análise
+    texto_lower = text.lower()
+    
+    # 1. Contagem de palavras positivas e negativas
+    pontos_pos = sum(1 for palavra in PALAVRAS_POSITIVAS if palavra in texto_lower)
+    pontos_neg = sum(1 for palavra in PALAVRAS_NEGATIVAS if palavra in texto_lower)
+    
+    # 2. Lógica de Decisão
+    if pontos_pos > pontos_neg:
+        label = "positivo"
+        # Confiança simples, baseada na diferença de pontos
+        conf = float(0.5 + min(0.49, (pontos_pos - pontos_neg) * 0.1)) 
+    elif pontos_neg > pontos_pos:
+        label = "negativo"
+        conf = float(0.5 + min(0.49, (pontos_neg - pontos_pos) * 0.1))
+    else:
+        # Neutro ou palavras não encontradas
+        label = "n/a (neutro ou ambíguo)"
+        conf = 0.5
+        
+    return {"predição": label, "confiança": round(conf, 4)}
 
 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="Envie o arquivo baseline_pipe.pkl na aba Files para ativar o modelo."
+    title="Análise de Sentimentos (Simulada - Sem Modelo)",
+    description="Este aplicativo roda sem o baseline_pipe.pkl, usando uma classificação simples por palavras-chave."
 )
 
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch()