---
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.