File size: 1,851 Bytes
71acbaf cc52d3c c1f4f65 cc52d3c 8544e42 cc52d3c b8de2f4 cc52d3c 6d0b640 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 |
import streamlit as st
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from transformers import pipeline
# Título de la aplicación
st.title("Aplicación Demo con Hugging Face")
# Introducción
st.write("""
## ¿Qué hace esta aplicación?
Esta aplicación muestra ejemplos básicos usando:
- Clasificación de datos usando Scikit-learn.
- Modelos de texto de Hugging Face con Transformers.
""")
# Clasificación de datos con Scikit-learn
st.header("Ejemplo: Clasificación de Datos")
data = pd.DataFrame({
'Feature 1': np.random.rand(100),
'Feature 2': np.random.rand(100),
'Label': np.random.choice([0, 1], size=100)
})
st.write("### Dataset")
st.write(data)
X = data[['Feature 1', 'Feature 2']]
y = data['Label']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
model = RandomForestClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
st.write("### Precisión del Modelo:")
st.write(f"{accuracy:.2f}")
# Uso de un pipeline de Hugging Face
st.header("Ejemplo: Uso de Hugging Face Transformers")
st.write("Genera texto a partir de una entrada")
# Cargar un modelo de Hugging Face (distilgpt2 para generación de texto)
generator = pipeline("text-generation", model="distilgpt2")
input_text = st.text_input("Escribe un texto:")
if st.button("Generar Texto"):
if input_text:
result = generator(input_text, max_length=50, num_return_sequences=1)
st.write(result[0]['generated_text'])
else:
st.write("Por favor, escribe un texto para generar.")
# Final de la aplicación
st.write("Desarrollado por [TU VIEJA](https://huggingface.co/) 👨💻")
|