Mapping of labels:

Class Label
0 Ayuntamiento
1 Ciencia
2 Cultura
3 Deporte
4 Economía
5 Educación
6 Igualdad_Integración
7 MedioAmbiente
8 Movilidad
9 Política
10 Salud
11 Sucesos
12 Tecnología
13 Turismo

Evaluation w/ Gold Standard (10%, 5000 messages)

***** Running Prediction ***** Num examples = 5000 Batch size = 16

precision recall f1-score support
0 0.88 0.88 0.88 312
1 0.77 0.80 0.78 296
2 0.90 0.88 0.89 335
3 0.95 0.97 0.96 361
4 0.92 0.88 0.90 992
5 0.88 0.91 0.90 326
6 0.78 0.74 0.76 54
7 0.84 0.82 0.83 326
8 0.79 0.92 0.85 296
9 0.89 0.82 0.85 382
10 0.85 0.85 0.85 326
11 0.89 0.89 0.89 301
12 0.90 0.84 0.87 378
13 0.83 0.91 0.87 315
-------------- ----------- -------- ---------- ---------
Accuracy ----- ----- 0.856 5000
Macro avg 0.841 0.837 0.838 5000
Weighted avg 0.856 0.856 0.855 5000 

!pip install transformers

from transformers.models.auto.modeling_auto import AutoModelForSequenceClassification
from transformers import AutoTokenizer, AutoModel, utils, pipeline

tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-base")
model = AutoModelForSequenceClassification.from_pretrained("Pafebla/XLMroBERTa_clasificacion_noticiasv2", output_attentions=True)

mapping_labels = {0: 'Ayuntamiento', 1: 'Ciencia', 2: 'Cultura', 3: 'Deporte', 4: 'Economía', 5: 'Educación', 6: 'Igualdad_Integración', 7: 'MedioAmbiente', 8: 'Movilidad', 9: 'Política', 10: 'Salud', 11: 'Sucesos', 12: 'Tecnología', 13: 'Turismo'}

text = "La bolsa está cayendo. El PIB está fatal."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)
label_idx = output[0].argmax().item()
predicted_label = mapping_labels[label_idx]
predicted_label