Update README.md

README.md

@@ -77,25 +77,27 @@ El modelo fue evaluado en un conjunto de datos balanceado con 1000 muestras para
 ## Uso
 
 ```python
-from transformers import AutoTokenizer, AutoModelForSequenceClassification
-import torch
+from transformers import pipeline
 
-# Cargar modelo y tokenizer
-tokenizer = AutoTokenizer.from_pretrained("polodealvarado/distilbert-review_classification")
-model = AutoModelForSequenceClassification.from_pretrained("polodealvarado/distilbert-review_classification")
+# Crear el pipeline de clasificación
+clasificador = pipeline(
+    "text-classification",
+    model="polodealvarado/distilbert-review_classification",
+    tokenizer="polodealvarado/distilbert-review_classification",
+    top_k=1,  # Solo la clase más probable
+)
 
-# Preparar el texto de entrada
+# Texto de entrada
 texto = "Este producto superó mis expectativas, lo recomiendo totalmente."
-inputs = tokenizer(texto, return_tensors="pt", padding=True, truncation=True, max_length=512)
 
-# Realizar la predicción
-with torch.no_grad():
-    outputs = model(**inputs)
-    logits = outputs.logits
-    predicted_class = torch.argmax(logits, dim=1).item()
+# Realizar predicción
+output = clasificador(texto)
+
+# Extraer la clase predicha (por ejemplo, 'LABEL_0', 'LABEL_1', ...)
+etiqueta = output[0][0]["label"]
+indice = int(etiqueta.replace("LABEL_", ""))  # 'LABEL_0' → 0
+estrellas_predichas = indice + 1
 
-# La clase predicha será un número del 0 al 4, que corresponde a 1-5 estrellas
-estrellas_predichas = predicted_class + 1
 print(f"Predicción: {estrellas_predichas} estrellas")
 ```