Update README.md

README.md

@@ -45,8 +45,39 @@ Puedes probar este clasificador directamente en Python utilizando la librería `
 from transformers import pipeline
 
 # Cargar el modelo desde el Hub
-clasificador = pipeline("text-classification", model="JD1714/mi-modelo", top_k=None)
+clasificador = pipeline("text-classification", model="JD1714/ToxicityClassifier", top_k=None)
 
 # Probar con un texto
 resultado = clasificador("I hate you, you are a complete idiot!")
-print(resultado)
+print(resultado)
+```
+
+## Trainig Details
+
+### Training Data
+10.000 ejemplos curados extraídos del Jigsaw Toxic Comment Classification Challenge (80% entrenamiento, 10% validación, 10% prueba).
+
+### Training Procedure
+* Estrategia: Fine-tuning completo (se descongelaron todas las capas del backbone).
+
+* Manejo del Desbalance: Se utilizó la función de pérdida BCEWithLogitsLoss aplicando pesos por clase (pos_weight) para penalizar severamente los errores en las categorías minoritarias.
+
+### Training Hyperparameters
+* Learning rate: 2e-05
+
+* Epochs: 6
+
+* Batch size: 16
+
+* Early Stopping: Patience of 2 epochs (monitoreando F1-Macro)
+
+## Evaluation
+### Metrics
+Se utilizó la métrica F1-Macro para medir el rendimiento de forma justa, dándole la misma importancia a todas las clases sin importar su escasez en el dataset.
+
+#### Results
+* F1-Macro (Validation): 0.5291
+
+* F1-Macro (Test): 0.6175
+
+* Training Time: 425 segundos en entorno Google Colab GPU.