Predicción sobre texto completamente nuevo

El entrenamiento ha terminado. Ahora llega la inferencia: proporcionar texto completamente nuevo, que el modelo no haya visto, y leer su predicción. 🚀

Comience cada script de predicción cargando el pipeline guardado. A partir de ese momento, se comportará exactamente como el modelo que entrenó.

El método predict recibe una lista de textos, no una sola cadena. Incluso un único ejemplo debe envolverse en una lista.

Pase una lista completa para evaluar muchos textos de una vez. La predicción por lotes es mucho más rápida que procesar los elementos uno por uno en un bucle.

¿Quiere conocer la confianza y no solo la etiqueta? Llame a predict_proba para ver con qué seguridad clasifica el modelo cada clase.

El texto nuevo debe pasar por la misma limpieza que los datos de entrenamiento. El pipeline se encarga de ello, precisamente por eso lo guardó completo.

El vectorizador simplemente ignora las palabras que el modelo nunca ha visto. Su vocabulario queda fijado durante el entrenamiento, por lo que la predicción se mantiene estable.

Los modelos suelen devolver números como 0 y 1. Conviértalos en un nombre de etiqueta legible para que las personas puedan entender el resultado.

Incluya la carga y la predicción en una única función auxiliar. Así, cualquier parte de su aplicación podrá clasificar texto con una sola llamada sencilla.

El texto real cambia con el tiempo. Cuando la precisión disminuye, se produce una deriva de datos, una señal de que ha llegado el momento de volver a entrenar con ejemplos recientes.

Su función de clasificación puede ejecutarse detrás de una API web o desde un script. El mismo modelo guardado ahora permite realizar predicciones reales en producción. 🎯

Ha cargado el modelo, ha predicho sobre texto nuevo en lotes, ha consultado las probabilidades, ha asignado nombres a las etiquetas, lo ha envuelto en una función y ha vigilado la deriva. 🏁