metadata

license: apache-2.0
language: es
tags:
  - generated_from_trainer
  - sentiment
  - emotion
  - suicide
  - depresión
  - suicidio
  - español
  - es
  - spanish
  - depression
widget:
  - text: La vida no merece la pena
    example_title: Ejemplo 1
  - text: Para vivir así lo mejor es estar muerto
    example_title: Ejemplo 2
  - text: me siento triste por no poder viajar
    example_title: Ejemplo 3
  - text: Quiero terminar con todo
    example_title: Ejemplo 4
  - text: Disfruto de la vista
    example_title: Ejemplo 5
metrics:
  - accuracy
model-index:
  - name: >-
      electricidad-small-discriminator-finetuned-clasificacion-comentarios-suicidas
    results: []

electricidad-small-discriminator-finetuned-clasificacion-comentarios-suicidas

El presente modelo se encentra basado en una versión mejorada de mrm8488/electricidad-small-discriminator, y con el uso de la base de datos hackathon-pln-es/comentarios_depresivos. Siendo de esta manera los resultados obtenidos en la evaluación del modelo:

Pérdida 0.0458
Precisión: 0.9916

Autores

Danny Vásquez
César Salazar
Alexis Cañar
Yannela Castro
Daniel Patiño

Descripción del Modelo

electricidad-small-discriminator-finetuned-clasificacion-comentarios-suicidas es un modelo Transformers pre-entrenado bajo un largo corpus de comentarios obtenidos de REDDIT traducidos al español, con el fin de poder predecir si un comentario tiene una tendencia suicida en base al contexto. Por ende, recibirá una ENTRADA en la cuál se ingresará el texto a comprobar, para posteriormente obtener como única SALIDA de igual manera dos posibles opciones: “Suicida” o “No Suicida”.

Motivación

Siendo la principal inspiración del modelo que sea utilizado para futuros proyectos que busquen detectar los casos de depresión a tiempo mediante el procesamiento del lenguaje natural, para poder prevenir los casos de suicido en niños, jóvenes y adultos.

¿Cómo usarlo?

El modelo puede ser utilizado de manera directa mediante la importación de la librería pipeline de transformers:

>>> from transformers import pipeline
>>> model_name= 'hackathon-pln-es/electricidad-small-discriminator-finetuned-clasificacion-comentarios-suicidas'
>>> cls= pipeline("text-classification", model=model_name)
>>> cls(“Estoy feliz”)[0]['label']
[{'resultado': "No Suicida"
}]
>>> cls(“Quiero acabar con todo”)[0]['label']
[{'resultado': " Suicida"
}]

Proceso de entrenamiento

Datos de entrenamiento

Como se declaró anteriormente, el modelo se pre-entrenó basándose en la base de datos comentarios_depresivos, el cuál posee una cantidad de 192 347 filas de datos para el entrenamiento, 33 944 para las pruebas y 22630 para la validación.

Hiper parámetros de entrenamiento

learning_rate: 2e-05
train_batch_size: 32
eval_batch_size: 32
lr_scheduler_type: linear
num_epochs: 15

Resultados del entrenamiento

Pérdida_entrenamiento	Epoch	Pérdida_Validación	Presición
0.161100	1.0	0.133057	0.952718
0.134500	2.0	0.110966	0.960804
0.108500	3.0	0.086417	0.970835
0.099400	4.0	0.073618	0.974856
0.090500	5.0	0.065231	0.979629
0.080700	6.0	0.060849	0.982324
0.069200	7.0	0.054718	0.986125
0.060400	8.0	0.051153	0.985948
0.048200	9.0	0.045747	0.989748
0.045500	10.0	0.049992	0.988069
0.043400	11.0	0.046325	0.990234
0.034300	12.0	0.050746	0.989792
0.032900	13.0	0.043434	0.991737
0.028400	14.0	0.045003	0.991869
0.022300	15.0	0.045819	0.991648

Versiones del Framework

Transformers 4.17.0
Pytorch 1.10.0+cu111
Datasets 2.0.0
Tokenizers 0.11.6

Citación BibTeX

@article{ccs_2022,
  author    = {Danny Vásquez and
               César Salazar and
               Alexis Cañar and
               Yannela Castro and
Daniel Patiño},
  title     = {Modelo Electricidad-small-discriminator-finetuned-clasificacion-comentarios-suicidas},
  journal   = {Huggingface},
  year      = {2022},
}

somosnlp-hackathon-2022
/

electricidad-small-discriminator-finetuned-clasificacion-comentarios-suicidas