File size: 2,462 Bytes
634d2b0 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 |
---
license: mit
language: es
tags:
- text-classification
- spanish
- email-classification
- bert
- multilingual
datasets:
- custom
metrics:
- accuracy
- f1
model-index:
- name: vertigoq3/email-classifier-bert
results:
- task:
type: text-classification
name: Email Classification
dataset:
type: custom
name: Email Dataset
metrics:
- type: accuracy
value: 0.0
- type: f1
value: 0.0
---
# email-classifier-bert
Modelo BERT multilingüe fine-tuneado para clasificación de emails en español.
## Descripción
Este modelo está basado en `bert-base-multilingual-cased` y ha sido entrenado para clasificar emails en diferentes categorías. El modelo puede identificar automáticamente el tipo de email basándose en su contenido.
## Uso
```python
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import numpy as np
import pickle
# Cargar el modelo y tokenizer
model = AutoModelForSequenceClassification.from_pretrained("vertigoq3/email-classifier-bert")
tokenizer = AutoTokenizer.from_pretrained("vertigoq3/email-classifier-bert")
# Cargar el encoder de etiquetas
with open("label_encoder.pkl", "rb") as f:
encoder = pickle.load(f)
def clasificar_email(texto):
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
inputs = tokenizer(texto, return_tensors="pt", truncation=True, padding=True, max_length=512)
inputs = {k: v.to(device) for k, v in inputs.items()}
with torch.no_grad():
outputs = model(**inputs)
pred = np.argmax(outputs.logits.detach().cpu().numpy(), axis=1)
return encoder.inverse_transform(pred)[0]
# Ejemplo de uso
resultado = clasificar_email("¿Cuándo abren mañana?")
print(f"Categoría: {resultado}")
```
## Instalación
```bash
pip install transformers torch numpy scikit-learn
```
## Entrenamiento
El modelo fue entrenado con:
- **Base Model**: bert-base-multilingual-cased
- **Epochs**: 6
- **Learning Rate**: 2e-5
- **Batch Size**: 8
- **Weight Decay**: 0.01
## Limitaciones
- El modelo está optimizado para texto en español
- Requiere el archivo `label_encoder.pkl` para funcionar correctamente
- Las categorías de clasificación dependen del dataset de entrenamiento
## Contacto
Para preguntas o problemas, contacta al autor del modelo.
|