tcepi/mbp_prepared_food_model

MBP PAS Classification Model

Este modelo é um fine-tune do ModernBERT-base para classificação binária, treinado no dataset tcepi/mbp_prepared_food_dataset.

Descrição do Modelo

• Modelo Base: answerdotai/ModernBERT-base
• Tarefa: Classificação Binária de Texto
• Linguagem: Português (pt)
• Framework: PyTorch + Transformers

Métricas de Performance

Conjunto de Teste

Métrica	Valor
Accuracy	0.9761
F1-Score	0.9761
Precision	0.9761
Recall	0.9761
ROC-AUC	0.9931
Specificity	0.9760

Matriz de Confusão

	Predito Negativo	Predito Positivo
Real Negativo	448 (TN)	11 (FP)
Real Positivo	11 (FN)	449 (TP)

Relatório de Classificação

              precision    recall  f1-score   support

    Negativo     0.9760    0.9760    0.9760       459
    Positivo     0.9761    0.9761    0.9761       460

    accuracy                         0.9761       919
   macro avg     0.9761    0.9761    0.9761       919
weighted avg     0.9761    0.9761    0.9761       919

Uso

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# Carregar modelo e tokenizer
tokenizer = AutoTokenizer.from_pretrained("tcepi/mbp_prepared_food_model")
model = AutoModelForSequenceClassification.from_pretrained("tcepi/mbp_prepared_food_model")

# Classificar texto
text = "Seu texto aqui"
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=512)

with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.softmax(outputs.logits, dim=-1)
    predicted_class = torch.argmax(predictions, dim=-1).item()

print(f"Classe predita: {model.config.id2label[predicted_class]}")
print(f"Probabilidades: {predictions.tolist()}")

Treinamento

Hiperparâmetros

• Épocas: 10
• Learning Rate: 2e-5
• Batch Size: 8
• Weight Decay: 0.01
• Warmup Ratio: 0.1
• Mixed Precision: FP16
• Optimizer: AdamW

Informações de Treinamento

• Tempo Total: 2564.50 segundos
• Samples/segundo: 12.89
• Loss Final: 0.1150

Dataset

O modelo foi treinado usando o dataset tcepi/mbp_prepared_food_dataset.

Limitações

• O modelo foi treinado especificamente para o domínio do dataset MBP/PAS
• Performance pode variar em textos de outros domínios
• Recomenda-se avaliar o modelo antes de usar em produção