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

An off-the-rack NLP sentiment classifier- upload your own corpus or use the pre-installed ones

ویژگی	مقدار
سیستم عامل	-
نام فایل	empythy-1.0.0
نام	empythy
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Preston Parry
ایمیل نویسنده	ClimbsBytes@gmail.com
آدرس صفحه اصلی	https://github.com/ClimbsRocks/EmpathyMachines
آدرس اینترنتی	https://pypi.org/project/empythy/
مجوز	MIT

# empathyMachines > A standalone NLP sentiment classifier you can import as a module ## Purposes 1. Offer a batteries-included NLP classifier you can use either on it's own, or to make sentiment predictions as part of a broder NLP project (for example, when classifying customer messages, whether the customer is angry or not might help you determine if this is a compensation request, or a request to adjust their address.) 1. Have the entire sentiment prediction process scaffolded so you can feed in your own training corpus, and easily train an NLP sentiment classifier. ## How to use 1. `pip install empythy` 1. ``` from empythy import EmpathyMachines nlp_classifier = EmpathyMachines() nlp_classifier.train() nlp_classifier.predict(text_string) ``` ### Corpora included #### NLTK Movie Reviews The classic sentiment corpus, 2000 movie reviews already gathered by NLTK. #### Assembling a custom Twitter sentiment corpus [CrowdFlower](http://www.crowdflower.com/data-for-everyone) hosts a number of Twitter corpora that have already been graded for sentiment by panels of humans. I aggregated together 6 of their corpora into a single, aggregated and cleaned corpus, with consistent scoring labels across the entire corpus. The cleaned corpus contains over 45,000 documents, with positive, negative, and neutral sentiments. ### Train on your own corpus Feel free to train a classifier on your own corpus! Two ways to do this 1. Read in a .csv file with header row containing "sentiment", "text", and optionally, "confidence" - Pass the name of the .csv file to train, like so: - `nlp_classifier.train(corpus='custom', corpus_path='path/to/custom/corpus.csv')` 1. Pass in an array of Python dictionaries, where each dictionary has attributes for "sentiment", "text", and optionally, "confidence" - `nlp_classifier.train(corpus='custom', corpus_array=my_array_of_texts)` - Two important parts to this, both `corpus='custom'`, and `corpus_array=my_variable_holding_the_documents`. ### Advanced Usage 1. `nlp_classifier.train(verbose=False)` to turn off print status statements while training. 1. `nlp_classifier.train(print_analytics_results=True)` to print out results of training the classifier.

نیازمندی

مقدار	نام
-	nltk
-	scikit-learn

نحوه نصب

نصب پکیج whl empythy-1.0.0:

pip install empythy-1.0.0.whl

نصب پکیج tar.gz empythy-1.0.0:

pip install empythy-1.0.0.tar.gz