Downloads · 30 days
0
YoliGuadir/analisis-comparativo-tass-sarcasmo
analisis-comparativo-tass-sarcasmo is a machine learning model from YoliGuadir. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
Downloads · 30 days
0
Access
Public
Updated Jun 30, 2026
Repo size
—
Likes
0
Public
Click a slice to open those files.
.png159 KB · 96%
From the Hugging Face model README
Maestria CODING - Universidad del Valle
| Modelo | Dataset | F1-Macro | F1-Weighted | Accuracy | Supera 64% |
|---|---|---|---|---|---|
| BETO (baseline) | TASS | 0.64 | 0.64 | 0.64 | — |
| XLNet | TASS | 0.5293 | 0.5309 | 0.5297 | NO |
| XLM-RoBERTa | TASS | 0.6754 | 0.6772 | 0.6807 | SI |
| BETO | Sarcasmo | 0.9212 | 0.925 | 0.9251 | — |
| XLM-RoBERTa | Sarcasmo | 0.9338 | 0.937 | 0.9372 | — |



Los modelos rindieron mejor en Sarcasmo que en TASS por estas razones:
Numero de clases: TASS tiene 3 clases (NEG/NEU/POS) vs 2 en Sarcasmo. Con mas clases el modelo tiene que aprender mas fronteras de decision al mismo tiempo.
La clase NEU es muy dificil: Un tweet neutro puede parecerse a uno positivo o negativo dependiendo del contexto. En todos los experimentos NEU tuvo el F1 mas bajo.
El sarcasmo tiene senales mas claras: Los tweets sarcasticos tienen pistas explicitas: emojis como 🙃, frases exageradas, contradicciones obvias. Eso hace que la tarea sea mas facil para el modelo.
Probabilidad aleatoria: En TASS el modelo acertaria el 33% al azar (1 de 3 clases) y en Sarcasmo el 50% (1 de 2 clases). El punto de partida ya es mas facil en Sarcasmo.
| Aspecto | TASS (3 clases) | Sarcasmo (2 clases) |
|---|---|---|
| Prob. aleatoria | 33.3% | 50.0% |
| Fronteras de decision | 3 | 1 binaria |
| Clase difusa | NEU (zona gris) | No existe |
| Mejor F1 obtenido | 0.6754 | 0.9338 |
La diferencia entre el mejor resultado de TASS y Sarcasmo es de aproximadamente 25.8 puntos porcentuales.
El F1-Macro promedia el rendimiento de todas las clases por igual. Si NEU tiene F1 bajo arrastra el promedio hacia abajo aunque NEG y POS funcionen bien. En Sarcasmo no existe esa clase intermedia problematica.
| Modelo | F1-Macro | Supera 64% | Razon |
|---|---|---|---|
| XLNet | 0.5293 | NO | Sin soporte fp16, float32 obligatorio |
| XLM-RoBERTa | 0.6754 | SI | fp16 + 2.5TB preentrenamiento en 100 idiomas |
XLNet no logro superar el baseline de BETO (64%). La razon principal fue una limitacion de hardware: XLNet no es compatible con fp16, lo que obliga a entrenarlo en float32. Esto hace el entrenamiento mucho mas lento (~3h vs ~45min de XLM-R).
| Modelo | F1-Macro | Ventaja |
|---|---|---|
| BETO | 0.9212 | Especializado en espanol, liviano |
| XLM-RoBERTa | 0.9338 | Mayor capacidad general |
En Sarcasmo ambos modelos funcionaron muy bien (mas del 92% F1-Macro). XLM-RoBERTa gano por un pequeno margen pero BETO estuvo muy cerca a pesar de ser mas pequeno. Para uso real BETO seria la eleccion mas practica.
Al principio se intento correr en Google Colab gratuito pero hubo varios problemas: conflictos con torchvision, sesiones que se desconectaban y tiempos muy largos. Finalmente se migraron todos los entrenamientos a Kaggle con GPU T4 x2.