معرفی شرکت ها
essay-scorer-1.0
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
An automated essay scorer for english language learner essays.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | essay-scorer-1.0 |
| نام | essay-scorer |
| نسخه کتابخانه | 1.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Matthew Martin |
| ایمیل نویسنده | products@mkylemartin.com |
| آدرس صفحه اصلی | https://github.com/mkylemartin/essay_scorer |
| آدرس اینترنتی | https://pypi.org/project/essay-scorer/ |
| مجوز | - |
# essay_scorer
An automated essay scorer for english language learner essays.
## Description
Extracts a set of linguistic features and compares them to a model trained on over 3000 essays to predict the score on a 40 point scale.
## Installation
`pip install essay-scorer`
## Usage/Tutorial
### Command line usage
Accepts either a directory of `.txt` files or a single `.txt` file.
(You'll have to locate the bin where the script is saved by pip to use the command line like this.)
**For a directory of text files**
`python3 essay_scorer.py path/to/essays/`
*Bonus*
`python3 essay_scorer.py path/to/essays/ >> output.csv`
**For a single text file**
`python3 essay_scorer.py path/to/essays/test.txt`
### Importing in a python script
```
import essay_scorer
text = open('test.txt', 'r').read()
feat_set = essay_scorer.get_feats(text)
pred_score = essay_scorer.gbr_model.predict(feats)[0]
print('predicted score', pred_score)
```
## About
This automated essay scoring system is based on [Travis Moore's master's thesis work](https://github.com/travismoore3/aes_system).
Moore's master's thesis, which lays the theoretical groundwork for this project can be found [here](https://scholarsarchive.byu.edu/cgi/viewcontent.cgi?article=7835&context=etd).
This model is best used on english learner essays that are between 140-300 words. Due to the distribution of scores in the model, this model tends to make better predictions around the median of actual scores from the dataset which seems to be around 20. There is more variance in predictions of outlier scores.
The model itself is a `GradientBoostingRegressor` model. Here are the parameters and results of it testing itself on its own data:
```
`model.fit` results:
GradientBoostingRegressor(alpha=0.9, criterion='friedman_mse', init=None,
learning_rate=0.02, loss='ls', max_depth=4, max_features=0.3,
max_leaf_nodes=None, min_impurity_decrease=0.0,
min_impurity_split=None, min_samples_leaf=9,
min_samples_split=2, min_weight_fraction_leaf=0.0,
n_estimators=500, n_iter_no_change=None, presort='auto',
random_state=0, subsample=1.0, tol=0.0001,
validation_fraction=0.1, verbose=0, warm_start=False)
Mean Absolute Error:
Train error: 2.360482423992901
Test error: 2.32169958721344
r2 scores of both train/test:
r2_train: 0.8341340712062068
r2_test: 0.8575492864872207
```
## License
GNU GPLv3 - see LICENSE file for details.2
## Contact
`@mkylemartin` on Twitter, GitHub
## Note
The pickled data file in this version does not include the age_bracket or language_id. The 49 features extracted are the following (in alphabetical order).
```
['ari', # readability index
'avg_len_word', # average word length
'cli', # readability measure
'conjunctions',
'cttr', # corrected type to token ratio
'dcrs', # dale chall readability score
'determiners',
'dw', # difficult words
'english_usage', # number of english words used
'fkg', # flesch_kincaid_grade
'fre', # flesch_reading_ease
'function_ttr',
'gf', # gunning_fog
'grammar_chk', # checks for 2000+ grammar errors
'lwf', # linsear_write_formula
'n_bigram_lemma_types',
'n_bigram_lemmas',
'n_trigram_lemma_types',
'n_trigram_lemmas',
'ncontent_words',
'nfunction_words',
'nlemma_types',
'nlemmas',
'noun_ttr',
'num_tokens',
'num_types',
'pct_rel_trigrams',
'pct_transitions',
'rank_avg',
'rank_total',
's1', # negation stages (the next several features)
's1a',
's1b',
's1c',
's2',
's2a',
's2b',
's2c',
's3',
's3a',
's3b',
's3c',
's4',
's4a',
's4b',
's4c',
'sent_density', # average words per sentence
'spelling_perc', # what percentage of words spelled correctly
'ttr' # type token ratio ]
```
نیازمندی
| مقدار | نام |
|---|---|
| - | progress |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| ~=3.7 | Python |
نحوه نصب
نصب پکیج whl essay-scorer-1.0:
pip install essay-scorer-1.0.whl
نصب پکیج tar.gz essay-scorer-1.0:
pip install essay-scorer-1.0.tar.gz