| --- |
| language: tr |
| tags: |
| - text-classification |
| - sentiment-analysis |
| license: mit |
| datasets: |
| - custom-dataset |
| metrics: |
| - accuracy |
| - precision |
| - recall |
| - f1 |
| model-index: |
| - name: ba2hann/bert-base-turkish-sentiment-analize |
| results: |
| - task: |
| type: text-classification |
| name: Sentiment Analysis |
| dataset: |
| name: Custom Dataset |
| type: custom |
| metrics: |
| - type: accuracy |
| value: 0.937 |
| - type: precision |
| value: 0.944 |
| - type: recall |
| value: 0.919 |
| - type: f1 |
| value: 0.927 |
| --- |
| |
| # Türkçe Duygu Analizi Modeli (ba2hann/bert-base-turkish-sentiment-analize) |
|
|
| Bu model, Türkçe metinler için duygu analizi yapmayı amaçlamaktadır. Model, dört farklı duygu kategorisini sınıflandırmak üzere eğitilmiştir: |
|
|
| * Irkçılık |
| * Kızdırma (Hakaret/Küfür) |
| * Nötr |
| * Cinsiyetçilik |
|
|
| ## Model Detayları |
|
|
| Bu model, `bert-base-turkish-cased` modeli temel alınarak özel bir veri seti üzerinde eğitilmiştir. Hedef, sosyal medyada ve diğer metin tabanlı platformlarda sıklıkla karşılaşılan olumsuz ve ayrımcı söylemleri tespit etmektir. |
|
|
| ## Performans Metrikleri |
|
|
| Modelin genel performansı aşağıdaki gibidir: |
|
|
| * **Doğruluk (Accuracy):** %93.7 |
|
|
| Kategori bazlı performans metrikleri ise şöyledir: |
|
|
| | Kategori | Precision | Recall | F1 Score | |
| |--------------|-----------|--------|----------| |
| | Irkçılık | 0.881 | 0.919 | 0.899 | |
| | Kızdırma | 0.944 | 0.912 | 0.927 | |
| | Nötr | 0.960 | 0.965 | 0.963 | |
| | Cinsiyetçilik | 0.857 | 0.904 | 0.880 | |
|
|
| ## Nasıl Kullanılır? |
|
|
| Aşağıdaki Python kodu, `transformers` kütüphanesi ile bu modelin nasıl kullanılacağını göstermektedir: |
|
|
| ```python |
| import torch |
| from transformers import pipeline |
| |
| model_name = "ba2hann/bert-base-turkish-sentiment-analize" |
| |
| sentiment_pipeline = pipeline( |
| task="text-classification", |
| model=model_name, |
| tokenizer=model_name, |
| device=0 if torch.cuda.is_available() else -1 # GPU varsa kullan, yoksa CPU |
| ) |
| |
| category_map = { |
| 0: "Irkçılık", |
| 1: "Kızdırma", |
| 2: "Nötr", |
| 3: "Cinsiyetçilik" |
| } |
| |
| def analyze_sentiment(text): |
| sonuc = sentiment_pipeline(text)[0] |
| label_index = int(sonuc['label'].split('_')[-1]) |
| kategori = category_map.get(label_index, "Bilinmeyen") |
| return { |
| "text": text, |
| "category": kategori, |
| "score": sonuc['score'] |
| } |
| |
| if __name__ == "__main__": |
| ornek_cumleler = [ |
| "Bu çok güzel bir gün.", #Nötr |
| "Sen ne kadar aptalsın!", #Kızdırma |
| "Bu ırkçı bir söylem.", #Irkçılık |
| "Kadınlar araba kullanamaz.", #Cinsiyetçilik |
| "Bu konu hakkında hiçbir fikrim yok." #Nötr |
| ] |
| for ornek_cumle in ornek_cumleler: |
| sonuc = analyze_sentiment(ornek_cumle) |
| print("\nAnaliz Sonuçları:") |
| print(f"Analiz Edilen Cümle: {sonuc['text']}") |
| print(f"Tahmin: {sonuc['category']}") |
| print(f"Tahmin Güveni: {sonuc['score']:.2%}") |
