|
Download README.md from giovanacaldas/bugclassifier-ai: direct link, hf CLI and curl.
- Browser
- Download file 2.06 kB
-
https://huggingface.co/giovanacaldas/bugclassifier-ai/resolve/main/README.md
- Command line
-
hf download hf://giovanacaldas/bugclassifier-ai/README.md
-
curl -L -o README.md https://huggingface.co/giovanacaldas/bugclassifier-ai/resolve/main/README.md
2.06 kB
| language: | |
| - pt | |
| library_name: scikit-learn | |
| pipeline_tag: text-classification | |
| tags: | |
| - machine-learning | |
| - bug-classification | |
| - software-quality | |
| - tfidf | |
| - logistic-regression | |
| # BugClassifier AI | |
| Projeto de Machine Learning desenvolvido para classificar automaticamente descrições de bugs de software em três categorias: Autenticação, Interface e Pagamento. | |
| ## Objetivo | |
| Desenvolver um classificador de texto capaz de identificar a categoria mais provável de um problema relatado por um usuário e indicar quando a previsão deve passar por análise humana. | |
| ## Categorias | |
| - **Autenticacao:** problemas relacionados a login, acesso, senha e autenticação. | |
| - **Interface:** problemas visuais, layout, botões e navegação. | |
| - **Pagamento:** problemas com cobranças, cartões, Pix, estornos e transações. | |
| ## Tecnologias utilizadas | |
| - Python | |
| - Pandas | |
| - Scikit-learn | |
| - TF-IDF | |
| - Logistic Regression | |
| - Matplotlib | |
| - Joblib | |
| ## Metodologia | |
| O projeto utiliza um pipeline de Machine Learning composto por: | |
| - TF-IDF para transformação das descrições em representações numéricas. | |
| - Logistic Regression para classificação dos textos. | |
| - Divisão dos dados em treinamento (80%) e teste (20%). | |
| - Avaliação por acurácia, precision, recall, F1-score e matriz de confusão. | |
| ## Dataset | |
| O conjunto de dados contém 150 descrições sintéticas, distribuídas igualmente entre as três categorias. | |
| Os exemplos foram elaborados manualmente para fins de estudo e desenvolvimento do projeto. | |
| ## Funcionalidade adicional | |
| O classificador utiliza um limite de probabilidade definido em 70% para indicar: | |
| - Classificação automática. | |
| - Necessidade de análise humana. | |
| Esse limite é uma regra de encaminhamento definida no projeto, não uma garantia de confiança calibrada. | |
| ## Limitações | |
| O dataset é pequeno e sintético. Portanto, os resultados são experimentais e não representam necessariamente o desempenho em sistemas reais. | |
| ## Autora | |
| Projeto desenvolvido como parte dos estudos em Machine Learning e Inteligência Artificial. |