Prevendo em texto totalmente novo

O treinamento terminou. Agora vem a inferência: fornecer texto totalmente novo e não visto ao modelo salvo e ler sua previsão. 🚀

Comece todo script de previsão carregando o pipeline salvo. A partir daí, ele se comportará exatamente como o modelo treinado.

O método predict recebe uma lista de textos, não uma única cadeia de caracteres. Até mesmo um exemplo precisa ser colocado dentro de uma lista.

Passe uma lista inteira para avaliar muitos textos de uma só vez. A previsão em lote é muito mais rápida do que percorrer um item por vez.

Você quer confiança, não apenas um rótulo? Chame predict_proba para ver o grau de certeza do modelo em relação a cada classe.

O texto novo precisa passar pela mesma limpeza aplicada aos dados de treinamento. O pipeline cuida disso, exatamente por esse motivo você o salvou por inteiro.

As palavras que o modelo nunca viu são simplesmente ignoradas pelo vetorizador. Seu vocabulário é fixado durante o treinamento, mantendo a previsão estável.

Os modelos frequentemente retornam números como 0 e 1. Transforme-os em um nome de rótulo legível para que as pessoas entendam a saída.

Coloque o carregamento e a previsão em uma única função auxiliar. Agora qualquer parte do seu aplicativo pode classificar textos com uma chamada simples e organizada.

Os textos reais mudam com o tempo. Quando a acurácia cai, isso é deriva dos dados, um sinal de que é hora de treinar novamente com exemplos recentes.

Sua função de classificação pode ficar por trás de uma API web ou de um script. O mesmo modelo salvo agora gera previsões reais em produção. 🎯

Você carregou o modelo, fez previsões em lotes com textos novos, leu probabilidades, mapeou rótulos, colocou tudo em uma função e ficou atento à deriva. 🏁