Proyecto 3: Análisis de Comentarios de Clientes Usando Análisis de Sentimientos
7. Paso 5: Pruebas con Retroalimentación Real de Clientes
Prueba tu modelo con retroalimentación real de clientes para ver qué tan bien funciona.
# Define a sample feedback
custom_feedback = "The product was delivered late and the quality was not as expected."
# Tokenize and predict
inputs = tokenizer(custom_feedback, return_tensors="pt", truncation=True, padding=True)
outputs = model(**inputs)
predicted_label = outputs.logits.argmax(-1).item()
# Interpret the result
sentiments = ['Negative', 'Positive']
print(f"Predicted Sentiment: {sentiments[predicted_label]}")
Analicemos este código:
1. Configuración de los datos de prueba:
custom_feedback = "The product was delivered late and the quality was not as expected."Esta línea define un texto de ejemplo de retroalimentación del cliente para analizar.
2. Procesamiento y predicción:
- La retroalimentación se tokeniza usando el tokenizador BERT, convirtiendo el texto en un formato que el modelo puede procesar
- La entrada tokenizada se pasa al modelo, que devuelve logits de salida (puntuaciones brutas de predicción)
- argmax(-1).item() convierte estos logits en una única etiqueta predicha (0 o 1)
3. Interpretación de resultados:
- Una lista de sentimientos (['Negativo', 'Positivo']) mapea las predicciones numéricas a etiquetas legibles por humanos
- La línea final imprime el sentimiento predicho para la retroalimentación dada
Este código representa la aplicación práctica del modelo de análisis de sentimientos, permitiendo analizar retroalimentación real de clientes y determinar si el sentimiento es positivo o negativo.
7. Paso 5: Pruebas con Retroalimentación Real de Clientes
Prueba tu modelo con retroalimentación real de clientes para ver qué tan bien funciona.
# Define a sample feedback
custom_feedback = "The product was delivered late and the quality was not as expected."
# Tokenize and predict
inputs = tokenizer(custom_feedback, return_tensors="pt", truncation=True, padding=True)
outputs = model(**inputs)
predicted_label = outputs.logits.argmax(-1).item()
# Interpret the result
sentiments = ['Negative', 'Positive']
print(f"Predicted Sentiment: {sentiments[predicted_label]}")
Analicemos este código:
1. Configuración de los datos de prueba:
custom_feedback = "The product was delivered late and the quality was not as expected."Esta línea define un texto de ejemplo de retroalimentación del cliente para analizar.
2. Procesamiento y predicción:
- La retroalimentación se tokeniza usando el tokenizador BERT, convirtiendo el texto en un formato que el modelo puede procesar
- La entrada tokenizada se pasa al modelo, que devuelve logits de salida (puntuaciones brutas de predicción)
- argmax(-1).item() convierte estos logits en una única etiqueta predicha (0 o 1)
3. Interpretación de resultados:
- Una lista de sentimientos (['Negativo', 'Positivo']) mapea las predicciones numéricas a etiquetas legibles por humanos
- La línea final imprime el sentimiento predicho para la retroalimentación dada
Este código representa la aplicación práctica del modelo de análisis de sentimientos, permitiendo analizar retroalimentación real de clientes y determinar si el sentimiento es positivo o negativo.
7. Paso 5: Pruebas con Retroalimentación Real de Clientes
Prueba tu modelo con retroalimentación real de clientes para ver qué tan bien funciona.
# Define a sample feedback
custom_feedback = "The product was delivered late and the quality was not as expected."
# Tokenize and predict
inputs = tokenizer(custom_feedback, return_tensors="pt", truncation=True, padding=True)
outputs = model(**inputs)
predicted_label = outputs.logits.argmax(-1).item()
# Interpret the result
sentiments = ['Negative', 'Positive']
print(f"Predicted Sentiment: {sentiments[predicted_label]}")
Analicemos este código:
1. Configuración de los datos de prueba:
custom_feedback = "The product was delivered late and the quality was not as expected."Esta línea define un texto de ejemplo de retroalimentación del cliente para analizar.
2. Procesamiento y predicción:
- La retroalimentación se tokeniza usando el tokenizador BERT, convirtiendo el texto en un formato que el modelo puede procesar
- La entrada tokenizada se pasa al modelo, que devuelve logits de salida (puntuaciones brutas de predicción)
- argmax(-1).item() convierte estos logits en una única etiqueta predicha (0 o 1)
3. Interpretación de resultados:
- Una lista de sentimientos (['Negativo', 'Positivo']) mapea las predicciones numéricas a etiquetas legibles por humanos
- La línea final imprime el sentimiento predicho para la retroalimentación dada
Este código representa la aplicación práctica del modelo de análisis de sentimientos, permitiendo analizar retroalimentación real de clientes y determinar si el sentimiento es positivo o negativo.
7. Paso 5: Pruebas con Retroalimentación Real de Clientes
Prueba tu modelo con retroalimentación real de clientes para ver qué tan bien funciona.
# Define a sample feedback
custom_feedback = "The product was delivered late and the quality was not as expected."
# Tokenize and predict
inputs = tokenizer(custom_feedback, return_tensors="pt", truncation=True, padding=True)
outputs = model(**inputs)
predicted_label = outputs.logits.argmax(-1).item()
# Interpret the result
sentiments = ['Negative', 'Positive']
print(f"Predicted Sentiment: {sentiments[predicted_label]}")
Analicemos este código:
1. Configuración de los datos de prueba:
custom_feedback = "The product was delivered late and the quality was not as expected."Esta línea define un texto de ejemplo de retroalimentación del cliente para analizar.
2. Procesamiento y predicción:
- La retroalimentación se tokeniza usando el tokenizador BERT, convirtiendo el texto en un formato que el modelo puede procesar
- La entrada tokenizada se pasa al modelo, que devuelve logits de salida (puntuaciones brutas de predicción)
- argmax(-1).item() convierte estos logits en una única etiqueta predicha (0 o 1)
3. Interpretación de resultados:
- Una lista de sentimientos (['Negativo', 'Positivo']) mapea las predicciones numéricas a etiquetas legibles por humanos
- La línea final imprime el sentimiento predicho para la retroalimentación dada
Este código representa la aplicación práctica del modelo de análisis de sentimientos, permitiendo analizar retroalimentación real de clientes y determinar si el sentimiento es positivo o negativo.