|
|
--- |
|
|
library_name: transformers |
|
|
tags: |
|
|
- text-classification |
|
|
- nlp |
|
|
- automotive |
|
|
- nhtsa |
|
|
- bert |
|
|
datasets: |
|
|
- vic35get/nhtsa_complaints_dataset |
|
|
language: en |
|
|
license: apache-2.0 |
|
|
metrics: |
|
|
- accuracy |
|
|
- f1 |
|
|
- precision |
|
|
- recall |
|
|
base_model: |
|
|
- google-bert/bert-base-uncased |
|
|
pipeline_tag: text-classification |
|
|
--- |
|
|
|
|
|
# 🚗 Modelo de Classificação de Reclamações de Veículos do NHTSA |
|
|
|
|
|
Este modelo foi treinado para classificar reclamações de veículos registradas no banco de dados da **NHTSA (National Highway Traffic Safety Administration)** entre **2014 e 2024**. Ele classifica textos em **cinco categorias** de componentes veiculares: |
|
|
|
|
|
- **ELECTRICAL SYSTEM** |
|
|
- **AIR BAGS** |
|
|
- **STRUCTURE** |
|
|
- **SERVICE BRAKES** |
|
|
- **OTHER** (outras reclamações não categorizadas) |
|
|
|
|
|
## 📂 Dados e Pré-processamento |
|
|
|
|
|
Os dados foram extraídos da API oficial da NHTSA e passaram por um pipeline de processamento de linguagem natural (NLP), incluindo: |
|
|
|
|
|
- **Limpeza e normalização**: remoção de caracteres especiais, conversão para caixa baixa e remoção de duplicatas/nulos. |
|
|
- **Balanceamento das classes**: ajuste da distribuição de categorias para evitar viés no treinamento. |
|
|
- **Tokenização**: uso do tokenizer do `bert-base-uncased` para transformar o texto em tensores compatíveis com o modelo. |
|
|
|
|
|
📊 **Divisão dos Dados**: |
|
|
|
|
|
| **Conjunto** | **Amostras** | |
|
|
|---------------|-------------| |
|
|
| Treinamento | 8.357 | |
|
|
| Validação | 2.090 | |
|
|
| Teste | 2.090 | |
|
|
|
|
|
## ⚙️ Hiperparâmetros do Treinamento |
|
|
|
|
|
| Parâmetro | Valor | |
|
|
|-------------------------|------------------------------------| |
|
|
| **Modelo base** | `bert-base-uncased` | |
|
|
| **Batch size** | 4 | |
|
|
| **Taxa de aprendizado** | 1e-5 | |
|
|
| **Épocas** | 30 (com early stopping de 3 épocas sem melhora) | |
|
|
| **Otimizador** | AdamW | |
|
|
|
|
|
## 📊 Desempenho do Modelo |
|
|
|
|
|
### 🔍 Conjunto de Validação |
|
|
|
|
|
| Métrica | Valor | |
|
|
|-----------|--------| |
|
|
| **Acurácia** | 86.40% | |
|
|
| **F1-Score** | 85.78% | |
|
|
| **Precisão** | 85.96% | |
|
|
| **Recall** | 86.40% | |
|
|
|
|
|
### 🔍 Conjunto de Teste |
|
|
|
|
|
| Métrica | Valor | |
|
|
|-----------|--------| |
|
|
| **Acurácia** | 69.94% | |
|
|
| **F1-Score** | 75.69% | |
|
|
| **Precisão** | 87.96% | |
|
|
| **Recall** | 69.94% | |
|
|
|
|
|
A diferença de desempenho entre os conjuntos de validação e teste pode ser explicada pelo desbalanceamento e pela natureza ampla da classe **OTHER**, que agrupa diferentes tipos de reclamações. |
|
|
|
|
|
## 🚀 Como Usar |
|
|
|
|
|
Para carregar e utilizar o modelo: |
|
|
|
|
|
```python |
|
|
from transformers import AutoTokenizer, AutoModelForSequenceClassification |
|
|
import torch |
|
|
|
|
|
# Carregar modelo e tokenizer |
|
|
model_name = "vic35get/nhtsa_complaints_classifier" |
|
|
tokenizer = AutoTokenizer.from_pretrained(model_name) |
|
|
model = AutoModelForSequenceClassification.from_pretrained(model_name) |
|
|
|
|
|
# Função de inferência |
|
|
def predict(text): |
|
|
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512) |
|
|
with torch.no_grad(): |
|
|
outputs = model(**inputs) |
|
|
return torch.argmax(outputs.logits, dim=1).item() |
|
|
|
|
|
# Exemplo de uso |
|
|
text = "The airbag did not deploy during the accident." |
|
|
print(predict(text)) |
