Seu próximo nível começa aqui
Seu desenvolvimento não pode ter limites. Garanta sua Assinatura Ilimitada e libere uma preparação completa com os melhores professores do Brasil.
Um Ministério Público deseja testar o uso de Processamento de Linguagem Natural (NLP) p...
Um Ministério Público deseja testar o uso de Processamento de Linguagem Natural (NLP) para classificar automaticamente textos, como forma de triagem preliminar de documentos recebidos. Para isso, uma analista desenvolveu o código em Python abaixo.
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, accuracy_score
import numpy as np
texts = [
# Jurídico
"Petição inicial com pedido de tutela de urgência e documentos anexos.",
"Despacho determinando a intimação das partes para audiência de instrução.",
"Autos conclusos ao juiz para análise de mérito e sentença.",
"Recurso de apelação interposto contra decisão de primeira instância.",
"Requerimento de sigilo de peças processuais por proteção de dados pessoais.",
# Não-jurídico
"Relatório financeiro do trimestre com receitas e despesas consolidadas.",
"Convite para reunião estratégica entre equipes de tecnologia e produto.",
"Artigo científico sobre redes neurais e aprendizado profundo.",
"Manual de procedimentos internos para manutenção de servidores.",
"E-mail de boas-vindas aos novos colaboradores do setor administrativo."
]
labels = np.array([1, l, 1, 1, 1, 0, 0, 0, 0, 0])
X_train, X_test, y_train, y_test = train_test_split(
texts, labels, test_size=0.3, random_state=42, stratify=labels
)
vectorizer = TfidfVectorizer(ngram_range=(1,2), max_features=2000)
X_train_tfidf = vectorizer.fit_transform(X_train)
X_test_tfidf = vectorizer.transform(X_test)
model = LogisticRegression(max_iter=200)
model.fit(X_train_tfidf, y_train)
y_pred = model.predict (X_test_tfidf)
print("Acurácia no conjunto de teste:", round (accuracy_score(y_test, y_pred), 3))
print("\nRelatório de classificação:\n")
print(classification_report(y_test,y_pred,target_names=["não-jurídico","jurídico"]))
Considerando que este será executado em condições ideais, pode-se afirmar que o código
A
utiliza TF-IDF para transformar os textos em vetores numéricos e treina uma Regressão Logistica para distinguir automaticamente documentos jurídicos de não jurídicos, gerando métricas como acurácia e relatório de classificação.
B
treina um classificador Naive Bayes baseado em Logistic Regression que prevê probabilidades de classes e calcula automaticamente embeddings de palavras com o uso de TF-IDF.
C
aplica técnicas de clustering não supervisionado para agrupar documentos por similaridade sobre os vetores de texto, estimando valores contínuos que depois são convertidos em classes jurídicas e não jurídicas.
D
implementa um pipeline com deep learning, utilizando embeddings word2vec e camadas LSTM para classificação de sentenças jurídicas e não jurídicas.
E
utiliza TF-IDF para gerar vetores numéricos e, em seguida, aplica um Logistic Regression baseado em Support Vector Machine (SVM) para separar documentos jurídicos e não jurídicos, retornando margens de decisão.