Upload 6 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+consumer_complaints_100k.csv filter=lfs diff=lfs merge=lfs -text

README.md

@@ -1,3 +1,74 @@
+README.md
+
+# 📝 Consumer Complaint Classification with Machine Learning
+
+Bu proje, tüketicilerin yazdığı şikayet metinlerini analiz ederek, hangi ürünle ilgili olduğunu otomatik olarak tahmin etmeyi amaçlayan bir doğal dil işleme (NLP) projesidir.
+
+Makine öğrenmesi kullanılarak, tüketici şikayetlerinden `Product` sınıfı tahmin edilmiştir (örneğin: Mortgage, Credit Card, Bank Account).
+
 ---
-license: mit
+
+## 📌 Proje Hedefi
+
+Kullanıcının yazdığı şikayet metnine göre ilgili ürün kategorisini tahmin etmek.  
+Bu sayede müşteri hizmetlerinde sınıflandırma süreci otomatikleştirilebilir.
+
 ---
+
+## 🧠 Kullanılan Yöntemler
+
+1. **Veri Okuma ve Temizleme**
+   - İlk 100.000 satır kullanıldı (`consumer_complaints.csv`)
+   - Eksik (`NaN`) veriler çıkarıldı
+   - `Consumer complaint narrative` ve `Product` sütunları kullanıldı
+
+2. **Doğal Dil İşleme (NLP)**
+   - TF-IDF vektörleştirme (en fazla 5000 kelime)
+   - İngilizce durak kelimeler çıkarıldı
+
+3. **Model Eğitimi**
+   - Model: `Logistic Regression`
+   - Eğitim/Test oranı: %80 / %20
+   - Performans: `classification_report` ile ölçüldü
+
+4. **Model Kaydı**
+   - Model + TF-IDF Vectorizer → `model.pkl` dosyasına kaydedildi
+
+5. **Streamlit Uygulaması**
+   - Kullanıcıdan metin alır
+   - Model tahmini gösterir
+   - Anında çalıştırılabilir arayüz
+
+---
+
+## 🚀 Nasıl Çalıştırılır?
+
+### 1. Gereksinimleri yükle
+```bash
+pip install -r requirements.txt
+
+
+
+📦 Kullanılan Dosyalar
+Dosya	Açıklama
+consumer_complaints_100k.csv	Veri setinin ilk 100.000 satırı
+model.py	Model eğitimi ve .pkl kaydı
+model.pkl	Eğitilmiş model ve TF-IDF
+app.py	Streamlit kullanıcı arayüzü
+requirements.txt	Gerekli kütüphaneler listesi
+README.md	Proje açıklaması
+
+
+
+🧪 Örnek Kullanım
+
+I was charged extra fees and my credit card was closed without notice.
+Tahmini ürün:
+Credit card or prepaid card
+
+
+ Eğitim Amacı
+Bu proje eğitim amacıyla geliştirilmiştir. Gerçek dünyada kullanılmadan önce daha büyük veri ile model iyileştirme, sınıf dengesizliği çözümü, ileri NLP teknikleri ve hiperparametre optimizasyonu yapılması önerilir
+
+🪪 Lisans
+MIT License

app.py

@@ -0,0 +1,22 @@
+import streamlit as st
+import pickle
+
+# Model ve TF-IDF yükle
+with open("model.pkl", "rb") as f:
+    model, vectorizer = pickle.load(f)
+
+st.title("📝 Consumer Complaint Classifier")
+st.subheader("Tahmin Et: Bu şikayet hangi ürünle ilgili?")
+
+# Kullanıcıdan şikayet metni al
+complaint_text = st.text_area("Şikayet metnini buraya yazın...")
+
+if st.button("Tahmin Et"):
+    if complaint_text.strip() == "":
+        st.warning("Lütfen bir metin girin.")
+    else:
+        # TF-IDF ile dönüştür
+        input_vec = vectorizer.transform([complaint_text])
+        # Tahmin yap
+        prediction = model.predict(input_vec)[0]
+        st.success(f"📦 Tahmini Ürün: **{prediction}**")

consumer_complaints_100k.csv

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ca6993cf249a8ef1f57461ed74669319ffb0f7ce7ad995ec668b6b996ec0ce35
+size 41279771

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a6937cc690c11afe5ea7bcb4fc253d98acece7d750897ebceb1d390a0c63381a
+size 866827

model.py

@@ -0,0 +1,77 @@
+
+
+
+
+
+
+
+
+
+
+
+
+
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.linear_model import LogisticRegression
+from sklearn.metrics import classification_report
+import pickle
+
+# 1. Veri yükleme
+df = pd.read_csv("consumer_complaints_100k.csv")
+
+# 2. Sütun adlarını düzelt
+df.columns = df.columns.str.strip()
+
+# 3. Gerekli sütunları seç (Boş olmayanlar)
+df = df[['Consumer complaint narrative', 'Product']].dropna()
+
+# 4. Giriş ve hedef verileri ayır
+X = df['Consumer complaint narrative']
+y = df['Product']
+
+# 5. TF-IDF vektörleştirici
+vectorizer = TfidfVectorizer(stop_words='english', max_features=5000)
+X_vec = vectorizer.fit_transform(X)
+
+# 6. Eğitim / test bölmesi
+X_train, X_test, y_train, y_test = train_test_split(X_vec, y, test_size=0.2, random_state=42)
+
+# 7. Model oluştur ve eğit
+model = LogisticRegression(max_iter=1000)
+model.fit(X_train, y_train)
+
+# 8. Performans raporu
+y_pred = model.predict(X_test)
+print("\nClassification Report:\n")
+print(classification_report(y_test, y_pred))
+
+# 9. Model ve vectorizer'ı kaydet
+with open("model.pkl", "wb") as f:
+    pickle.dump((model, vectorizer), f)
+
+print("\n✅ Model başarıyla eğitildi ve 'model.pkl' dosyasına kaydedildi.")
+
+
+
+
+
+
+
+
+
+
+
+
+# İlk 100.000 satırı kullanır
+
+# Sütun isimlerini düzeltir
+
+# Eksik verileri temizler
+
+# TF-IDF ile metni sayısallaştırır
+
+# Logistic Regression ile model eğitir
+
+# Modeli ve TF-IDF vektörizerini .pkl dosyasına kaydeder

requirements.txt

@@ -0,0 +1,3 @@
+streamlit
+pandas
+scikit-learn