# CRF Address NER Model (Pipeline Version)

## Descrição
Modelo Conditional Random Field (CRF) com Pipeline sklearn para Named Entity Recognition em endereços brasileiros.

## Novidade: Pipeline Completo
Esta versão (v2.0.0) usa **sklearn Pipeline**, incluindo:
- ✅ Feature Extractor (preprocessamento automático)
- ✅ CRF Tagger (modelo de sequência)
- ✅ Zero código adicional necessário para inferência

## Informações do Modelo
- **Acurácia**: 0.9995
- **Algoritmo**: lbfgs
- **Labels**: 13

## Vantagens sobre HMM
- ✅ Modela dependências contextuais (palavras vizinhas)
- ✅ Não assume independência entre observações
- ✅ Otimização global da sequência
- ✅ Mesmas features morfológicas + contexto rico

## Como Usar
```python
import joblib
from huggingface_hub import hf_hub_download

# Download do pipeline
pipeline_path = hf_hub_download(
    repo_id="felipergcpqd/crf-address-ner-pt",
    filename="pipeline.joblib"
)

# Carregar
pipeline = joblib.load(pipeline_path)

# Usar (ZERO código de features necessário!)
tokens = [["Rua", "das", "Flores", "123", "São", "Paulo", "SP"]]
predictions = pipeline.predict(tokens)
print(predictions[0])
```

## Comparação com HMM
| Característica | HMM | CRF |
|---------------|-----|-----|
| Features morfológicas | ✅ 11 features | ✅ 11 features (mesmas) |
| Features contextuais | ❌ Não | ✅ Sim (vizinhança) |
| Otimização | Local (Viterbi) | Global (sequência inteira) |
| Independência | Assume | Não assume |
| Transições | 1ª ordem (Markov) | Todas possíveis |

## Treinamento
- **Data**: 2025-11-19
- **Versão**: 2.0.0 (Pipeline sklearn)
- **Regularização**: L1 (c1=0.1) + L2 (c2=0.1)