معرفی شرکت ها

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 بیشتر

توضیحات

Gain a clue by clustering!

ویژگی	مقدار
سیستم عامل	-
نام فایل	cluestar-0.1.0
نام	cluestar
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Vincent D. Warmerdam
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/koaning/cluestar/
آدرس اینترنتی	https://pypi.org/project/cluestar/
مجوز	-

<img src="cluestar.png" width=175 align="right"> # cluestar > Gain a clue by clustering! This library contains visualisation tools that might help you get started with classification tasks. The idea is that if you can inspect clusters easily, you might gain a clue on what good labels for your dataset might be! It generates charts that looks like this: ![](gif.gif) ## Install ``` python -m pip install "cluestar @ git+https://github.com/koaning/cluestar.git" ``` ## Interactive Demo You can see an interactive demo of the generated widgets [here](https://koaning.github.io/cluestar/). You can also toy around with the demo notebook found [here](https://github.com/koaning/cluestar/blob/main/notebooks/overview.ipynb). ## Usage The first step is to encode textdata in two dimensions, like below. ```python from sklearn.pipeline import make_pipeline from sklearn.decomposition import TruncatedSVD from sklearn.feature_extraction.text import TfidfVectorizer pipe = make_pipeline(TfidfVectorizer(), TruncatedSVD(n_components=2)) X = pipe.fit_transform(texts) ``` From here you can make an interactive chart via; ```python from cluestar import plot_text plot_text(X, texts) ``` The best results are likely found when you use [umap](https://umap-learn.readthedocs.io/en/latest/) together with something like [universal sentence encoder](https://koaning.github.io/whatlies/api/language/universal_sentence/). You might also improve the understandability by highlighting points that have a certain word in it. ```python plot_text(X, texts, color_words=["plastic", "voucher", "deliver"]) ``` You can also use a numeric array, one that contains proba-values for prediction, to influence the color. ```python # First, get an array of pvals from some model p_vals = some_model.predict(texts)[:, 0] # Use these to assign pretty colors. plot_text(X, texts, color_array=p_vals) ```

نیازمندی

مقدار	نام
>=4.0.1	altair
>=1.19.2	numpy
>=4.0.1	altair
>=1.19.2	numpy
>=4.0.1	altair
>=1.19.2	numpy
>=4.0.2	pytest
>=19.3b0	black
>=2.6.1	pytest-cov
>=2.2.0	pre-commit
-	umap-learn
-	jupyterlab

نحوه نصب

نصب پکیج whl cluestar-0.1.0:

pip install cluestar-0.1.0.whl

نصب پکیج tar.gz cluestar-0.1.0:

pip install cluestar-0.1.0.tar.gz