معرفی شرکت ها
classmail-0.1
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
A simple framework for automatise mail classification task
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | classmail-0.1 |
| نام | classmail |
| نسخه کتابخانه | 0.1 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Fabien Couthouis |
| ایمیل نویسنده | fcouthouis@ensc.fr |
| آدرس صفحه اصلی | https://github.com/Fabien-Couthouis/ClassMail |
| آدرس اینترنتی | https://pypi.org/project/classmail/ |
| مجوز | MIT |
# ClassMail
 Classmail
Mail classification Python library optimized for french mails in the field of insurance. Classmail was created to automate mail classification workflow in quick experiments. Developped during my internship at [Covéa](https://www.covea.eu).
Classmail provides:
* **Data visualisation:** For quick data analysis, based on matplotlib and seaborn
* **Mails preprocessing (cleaning):** Optimised for inasurrance purposes, with prebuilt regular expressions (in french). This configuration file can be adapted for other languages or purposes.
* **Deep learning model creation (for classification):** Simple interface to build Pytorch models quickly based on [Flair](https://github.com/zalandoresearch/flair) nlp library.
* **Model analysis and explainer** Simple interface with prebuilt seaborn graphs and model explainer based on [Lime](https://github.com/marcotcr/lime).
## Quick Start
### Requirements and Installation
The project is based on Python 3.7+.
If you do not have Python 3.6, install it first.
Then, in your favorite virtual environment, simply do:
```
pip install classmail
```
### Example Usage
Let's run named entity recognition (NER) over an example sentence. All you need to do is make a `Sentence`, load
a pre-trained model and use it to predict tags for the sentence:
* Data analysis
```python
import classmail.data_visualisation.data_visualisation as dv
# show class balancing graph
dv.plot_class_balancing(data,col_text='header_body',col_label="COMPETENCE", title="Catégories des mails")
#show most frequent bigrams
dv.plot_word_frequencies(data['message'],ngram=2,words_nb=20)
#plot a wordcloud with most frequent terms in body
dv.plot_wordcloud(data['body'])
```
* Cleaning
```python
from classmail.nlp.cleaning import clean_mail
#create a new column in data ("clean_text") with preprocessed header and body
data = clean_mail(data,"body","header")
```
* Model creation and training
```python
from classmail.classification.trainer import Trainer
trainer = Trainer()
#generate train / test / val csv files
trainer.prepare_data(data, col_text="clean_text",col_label="COMPETENCE", train_size=0.7, val_size=0.15, test_size=0.15)
#create a new column in data ("clean_text") with preprocessed header and body
data = clean_mail(data,"body","header")
#train a model with default parameters
trainer.train_model(model_name="default_model")
```
* Model predictions, evaluation and explaination
```python
from classmail.classification.model import Model
#load our model, saved in "ressources" folder
model = Model("ressources\\model_default")
#predictions
predictions=model.get_predictions(X_test)
#confusion matrix
model.plot_confusion_matrix(pred_labels=predictions, true_labels=y_test)
#explain one exemple at index 110
model.visualize_one_ex(X_test,y_test,index=110,num_features=6)
#compute most discriminants words in each category
sorted_contributions = model.get_statistical_explanation(X_test, ["class 1","class 2","class 3"] sample_size=15)
#plot them for first class
model.plot_discriminant_words(sorted_contributions, "class 1", nb_words=15)
```
## Tutorial
Here is a more complete usage exemple for the mail classification task. Data cannot be provided for legislation and privacy matters.
* [Tutorial : General workflow](/Tutorial.ipynb)
نیازمندی
| مقدار | نام |
|---|---|
| >=1.0.23 | Unidecode |
| >=0.4.3 | flair |
| >=0.13.2 | joblib |
| >=0.1.1.36 | lime |
| >=3.1.0 | matplotlib |
| >=1.16.3 | numpy |
| >=0.24.2 | pandas |
| >=0.9.0 | seaborn |
| >=0.0 | sklearn |
| >=1.1.0 | torch |
| >=4.31.1 | tqdm |
| >=1.5.0 | wordcloud |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl classmail-0.1:
pip install classmail-0.1.whl
نصب پکیج tar.gz classmail-0.1:
pip install classmail-0.1.tar.gz