Download interactive.py from fetuber4095/decision-lord: direct link, hf CLI and curl.
- Browser
- Download file 6.02 kB
-
https://huggingface.co/fetuber4095/decision-lord/resolve/main/interactive.py
- Command line
-
hf download hf://fetuber4095/decision-lord/interactive.py
-
curl -L -o interactive.py https://huggingface.co/fetuber4095/decision-lord/resolve/main/interactive.py
6.02 kB
| #!/usr/bin/env python3 | |
| """ | |
| Interface interativa para adicionar perguntas, treinar e testar o modelo decision-lord. | |
| Uso: python interactive.py | |
| """ | |
| import csv | |
| import os | |
| import sys | |
| import joblib | |
| from collections import OrderedDict | |
| CSV_PATH = "dados.csv" | |
| MODEL_PATH = "modelo_abcd.joblib" | |
| def carregar_perguntas(): | |
| """Lê o CSV e retorna lista de dicts.""" | |
| perguntas = [] | |
| if not os.path.exists(CSV_PATH): | |
| return perguntas | |
| with open(CSV_PATH, newline="", encoding="utf-8") as f: | |
| leitor = csv.DictReader(f) | |
| for linha in leitor: | |
| perguntas.append({ | |
| "pergunta": linha["pergunta"], | |
| "opcoes": { | |
| "A": linha["opcao_a"], | |
| "B": linha["opcao_b"], | |
| "C": linha["opcao_c"], | |
| "D": linha["opcao_d"], | |
| }, | |
| "correta": linha["correta"], | |
| }) | |
| return perguntas | |
| def salvar_perguntas(perguntas): | |
| """Salva a lista de perguntas no CSV.""" | |
| with open(CSV_PATH, "w", newline="", encoding="utf-8") as f: | |
| escritor = csv.DictWriter( | |
| f, | |
| fieldnames=["pergunta", "opcao_a", "opcao_b", "opcao_c", "opcao_d", "correta"], | |
| ) | |
| escritor.writeheader() | |
| for p in perguntas: | |
| escritor.writerow({ | |
| "pergunta": p["pergunta"], | |
| "opcao_a": p["opcoes"]["A"], | |
| "opcao_b": p["opcoes"]["B"], | |
| "opcao_c": p["opcoes"]["C"], | |
| "opcao_d": p["opcoes"]["D"], | |
| "correta": p["correta"], | |
| }) | |
| def adicionar_pergunta(): | |
| """Coleta nova pergunta do usuário.""" | |
| print("\n" + "=" * 50) | |
| print("NOVA PERGUNTA") | |
| print("=" * 50) | |
| pergunta = input("Pergunta: ").strip() | |
| if not pergunta: | |
| return None | |
| opcoes = {} | |
| for letra in "ABCD": | |
| while True: | |
| opcao = input(f" Opção {letra}: ").strip() | |
| if opcao: | |
| opcoes[letra] = opcao | |
| break | |
| print(" Opção não pode estar vazia.") | |
| while True: | |
| correta = input("Qual é a correta? (A/B/C/D): ").strip().upper() | |
| if correta in "ABCD": | |
| break | |
| print(" Digite apenas A, B, C ou D.") | |
| return {"pergunta": pergunta, "opcoes": opcoes, "correta": correta} | |
| def treinar(): | |
| """Re-treina o modelo com todos os dados atuais.""" | |
| import pandas as pd | |
| from sklearn.feature_extraction.text import TfidfVectorizer | |
| from sklearn.linear_model import LogisticRegression | |
| from sklearn.pipeline import Pipeline | |
| perguntas = carregar_perguntas() | |
| if len(perguntas) < 5: | |
| print(f"\n⚠️ Apenas {len(perguntas)} perguntas. Adicione pelo menos 5 pra treinar.") | |
| return False | |
| rows = [] | |
| for p in perguntas: | |
| for letra in "ABCD": | |
| texto = f"pergunta: {p['pergunta']} | opcao: {p['opcoes'][letra]}" | |
| rows.append({"texto": texto, "label": 1 if p["correta"] == letra else 0}) | |
| treino = pd.DataFrame(rows) | |
| modelo = Pipeline([ | |
| ("tfidf", TfidfVectorizer(ngram_range=(1, 2), min_df=1)), | |
| ("clf", LogisticRegression(max_iter=2000, class_weight="balanced")), | |
| ]) | |
| modelo.fit(treino["texto"], treino["label"]) | |
| joblib.dump(modelo, MODEL_PATH) | |
| print(f"\n✅ Modelo treinado com {len(perguntas)} perguntas ({len(treino)} amostras).") | |
| return True | |
| def testar(): | |
| """Testa o modelo com uma pergunta manual.""" | |
| if not os.path.exists(MODEL_PATH): | |
| print("\n⚠️ Modelo não treinado ainda. Treine primeiro.") | |
| return | |
| modelo = joblib.load(MODEL_PATH) | |
| perguntas = carregar_perguntas() | |
| print("\n" + "=" * 50) | |
| print("TESTE RÁPIDO") | |
| print("=" * 50) | |
| pergunta = input("Pergunta: ").strip() | |
| if not pergunta: | |
| return | |
| opcoes = {} | |
| for letra in "ABCD": | |
| while True: | |
| opcao = input(f" Opção {letra}: ").strip() | |
| if opcao: | |
| opcoes[letra] = opcao | |
| break | |
| scores = {} | |
| for letra, texto in opcoes.items(): | |
| entrada = f"pergunta: {pergunta} | opcao: {texto}" | |
| scores[letra] = modelo.predict_proba([entrada])[0][1] | |
| melhor = max(scores, key=scores.get) | |
| print("\n📊 Scores:") | |
| for k in "ABCD": | |
| barra = "█" * int(scores[k] * 40) | |
| print(f" {k}: {scores[k]:.4f} {barra}") | |
| print(f"\n✅ Resposta prevista: {melhor}") | |
| # Mostra se acertou (se a pergunta estiver no dataset) | |
| for p in perguntas: | |
| if p["pergunta"].lower() == pergunta.lower(): | |
| if p["correta"] == melhor: | |
| print("🎉 Acertei a correta!") | |
| else: | |
| print(f"❌ Correta seria {p['correta']}.") | |
| break | |
| def menu(): | |
| while True: | |
| print("\n" + "=" * 50) | |
| print(" DECISION-LORD · INTERACTIVE") | |
| print("=" * 50) | |
| print("1. Adicionar nova pergunta") | |
| print("2. Treinar modelo com os dados atuais") | |
| print("3. Testar modelo") | |
| print("4. Ver perguntas salvas") | |
| print("5. Sair") | |
| print("=" * 50) | |
| opcao = input("Escolha: ").strip() | |
| if opcao == "1": | |
| p = adicionar_pergunta() | |
| if p: | |
| perguntas = carregar_perguntas() | |
| perguntas.append(p) | |
| salvar_perguntas(perguntas) | |
| print(f"\n✅ Pergunta salva! ({len(perguntas)} no total)") | |
| elif opcao == "2": | |
| treinar() | |
| elif opcao == "3": | |
| testar() | |
| elif opcao == "4": | |
| perguntas = carregar_perguntas() | |
| print(f"\n📚 {len(perguntas)} perguntas salvas:") | |
| for i, p in enumerate(perguntas, 1): | |
| print(f" {i}. {p['pergunta'][:60]}... → {p['correta']}") | |
| elif opcao == "5": | |
| print("Até logo! 👋") | |
| sys.exit(0) | |
| else: | |
| print("Opção inválida.") | |
| if __name__ == "__main__": | |
| menu() |