Update app.py

app.py

@@ -5,24 +5,36 @@ from transformers import pipeline
 model_1 = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
 model_2 = pipeline("sentiment-analysis", model="finiteautomata/beto-sentiment-analysis")
 
+# Título de la app
+st.title("Comparando LLMs")
+
 # Inicializa el estado para el input_text si no existe
 if "input_text" not in st.session_state:
     st.session_state["input_text"] = ""
 
+# Función para mostrar el resultado
+def mostrar_resultado(resultado):
+    if resultado['label'] in ['4 stars','5 stars','POS']:
+        st.success(f"Sentimiento: {resultado['label']} (Precisión: {resultado_1['score']:.4f})")
+    elif eresultado['label'] in ['3 stars','NEU']:
+        st.info(f"Sentimiento: {resultado['label']} (Precisión: {resultado_1['score']:.4f})")
+    else:
+        st.error(f"Sentimiento: {resultado['label']} (Precisión: {resultado_1['score']:.4f})")
+
 # Función para analizar el sentimiento
 def analizar_sentimiento(texto):
     resultado_1 = model_1(texto)[0]
     resultado_2 = model_2(texto)[0]
 
     # Mostrar resultados del primer modelo
-    st.markdown(f"### Resultado con **'nlptown/bert-base-multilingual-uncased-sentiment'**")
-    st.write("*Modelo basado en BERT y entrenado para 6 lenguajes con 50k revisiones en español*")
-    st.markdown(f"**Sentimiento:** {resultado_1['label']} (Precisión: {resultado_1['score']:.4f})")
+    st.markdown(f"#### Resultado con `nlptown/bert-base-multilingual-uncased-sentiment`")
+    st.write("- *Modelo basado en BERT y entrenado para 6 lenguajes con 50k revisiones en español*")
+    mostrar_resultado(resultado1)
 
     # Mostrar resultados del segundo modelo
-    st.markdown(f"### Resultado con **'finiteautomata/beto-sentiment-analysis'**")
-    st.write("*Modelo basado en BERT y entrenado con 5k tweets específicamente en español*")
-    st.markdown(f"**Sentimiento:** {resultado_2['label']} (Precisión: {resultado_2['score']:.4f})")
+    st.markdown(f"#### Resultado con `finiteautomata/beto-sentiment-analysis`")
+    st.write("- *Modelo basado en BERT y entrenado con 5k tweets específicamente en español*")
+    mostrar_resultado(resultado2)
 
 # Función para actualizar el texto desde la barra lateral
 def actualizar_texto(nuevo_texto):
@@ -43,7 +55,7 @@ if st.button("Analizar"):
 
 # Barra lateral con sugerencias de texto
 st.sidebar.header("Sugerencias de texto")
-st.sidebar.button("Ejemplo 1", on_click=actualizar_texto, args=("Estoy muy feliz por este logro.",))
-st.sidebar.button("Ejemplo 2", on_click=actualizar_texto, args=("Esto es un desastre total.",))
-st.sidebar.button("Ejemplo 3", on_click=actualizar_texto, args=("La comida estuvo bien, pero el servicio fue lento.",))
-st.sidebar.button("Ejemplo 4", on_click=actualizar_texto, args=("20 veces es que voy a repetir esta vaina.",))
+st.sidebar.button("Estoy muy feliz por este logro", on_click=actualizar_texto, args=("Estoy muy feliz por este logro.",))
+st.sidebar.button("Esto es un desastre total", on_click=actualizar_texto, args=("Esto es un desastre total.",))
+st.sidebar.button("La comida estuvo bien, pero el servicio fue lento", on_click=actualizar_texto, args=("La comida estuvo bien, pero el servicio fue lento",))
+st.sidebar.button("Soy fan de las sorpresas... más si son facturas inesperadas", on_click=actualizar_texto, args=("Soy fan de las sorpresas... más si son facturas inesperadas",))