Download train.py from fetuber4095/decision-lord: direct link, hf CLI and curl.
- Browser
- Download file 967 Bytes
-
https://huggingface.co/fetuber4095/decision-lord/resolve/main/train.py
- Command line
-
hf download hf://fetuber4095/decision-lord/train.py
-
curl -L -o train.py https://huggingface.co/fetuber4095/decision-lord/resolve/main/train.py
967 Bytes
| import pandas as pd | |
| import joblib | |
| from sklearn.feature_extraction.text import TfidfVectorizer | |
| from sklearn.linear_model import LogisticRegression | |
| from sklearn.pipeline import Pipeline | |
| def main(): | |
| df = pd.read_csv("dados.csv") | |
| # uma linha de treino por opção: 1 se for a correta, 0 se não | |
| rows = [] | |
| for _, r in df.iterrows(): | |
| for letra in "ABCD": | |
| texto = f"pergunta: {r['pergunta']} | opcao: {r['opcao_' + letra.lower()]}" | |
| rows.append({"texto": texto, "label": 1 if r["correta"] == letra else 0}) | |
| treino = pd.DataFrame(rows) | |
| modelo = Pipeline([ | |
| ("tfidf", TfidfVectorizer(ngram_range=(1, 2), min_df=1)), | |
| ("clf", LogisticRegression(max_iter=1000, class_weight="balanced")), | |
| ]) | |
| modelo.fit(treino["texto"], treino["label"]) | |
| joblib.dump(modelo, "modelo_abcd.joblib") | |
| print(f"Treinado com {len(df)} perguntas ({len(treino)} amostras).") | |
| if __name__ == "__main__": | |
| main() | |