Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
用一个 Gradio 小应用里的 scikit-learn 模型,预测电信客户是否可能流失。适合想要一个可运行的流失预测示例来试用或参考的分析师和学生。
Customer Churn Predictor 是一款工具包,属于商务类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download Saryy77/customer-churn-predictor --repo-type space --local-dir customer-churn-predictor cd customer-churn-predictor
这个 Space 预测电信公司的客户流失。一个 scikit-learn 模型放在小小的 Gradio 页面后面,你输入客户的信息,就能看到模型对这位客户会不会离开的判断。
想要一个小而可运行的流失预测示例,可以在浏览器里打开,也可以复制到自己电脑上的分析师、留存团队和学生。
| Industry | Who uses it | How they use it | Example |
|---|---|---|---|
| 电信 | 留存分析师 | 查看哪些客户看起来可能离开 | 输入一位客户的信息,读取预测结果 |
| 订阅服务 | 产品经理 | 研究流失模型如何呈现给团队 | 打开页面,看它要求哪些输入 |
| 教育 | 数据科学学生 | 学习训练好的模型如何变成应用 | 下载这三个文件,阅读 app.py |
| 咨询 | 数据顾问 | 给客户演示一个简单的样例 | 分享 Space 页面作为快速原型 |
如果你需要用自己的客户数据训练模型,这个演示最多只是个起点。
它可以在两个地方运行。
| Use case | Who | What they get back |
|---|---|---|
| 给一位客户打分 | 留存分析师 | 一个客户是否可能流失的预测 |
| 演示模型 | 顾问 | 客户可以打开并试用的页面 |
| 研究代码 | 学生 | 一个简短的 app.py 和 requirements.txt 可供阅读 |
在线使用什么都不用准备。本地副本需要几样东西。
pip install -U huggingface_hub hf download Saryy77/customer-churn-predictor --repo-type space --local-dir customer-churn-predictor cd customer-churn-predictor pip install gradio==6.31.0 pip install -r requirements.txt python app.py
打开 Space,填写页面上显示的客户字段并提交。页面随后显示模型对这位客户的流失预测。在本地副本里运行 python app.py,就能在自己的电脑上得到同样的页面。
你输入一位手机用户的信息并提交表单。页面回复模型对这位客户是否可能离开的预测。
流失指客户不再付费。打开页面,每次只改一个输入,观察预测如何变化。这能让你看出模型主要依赖哪些信息。
模型是 scikit-learn 的,Gradio 把它包成网页表单。仓库很小,只有 README、app.py 和 requirements.txt,整条流程很容易读懂。它运行在 Hugging Face 的 zero-a10g 硬件上。
README 内容很少,所以训练数据和准确率等细节都没有文档说明。
用一个 Gradio 小应用里的 scikit-learn 模型,预测电信客户是否可能流失。适合想要一个可运行的流失预测示例来试用或参考的分析师和学生。
由 Saryy77 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:这个 Space 预测电信公司的客户流失。一个 scikit-learn 模型放在小小的 Gradio 页面后面,你输入客户的信息,就能看到模型对这位客户会不会离开的判断。
适合谁:想要一个小而可运行的流失预测示例,可以在浏览器里打开,也可以复制到自己电脑上的分析师、留存团队和学生。
Industry | Who uses it | How they use it | Example
电信 | 留存分析师 | 查看哪些客户看起来可能离开 | 输入一位客户的信息,读取预测结果
订阅服务 | 产品经理 | 研究流失模型如何呈现给团队 | 打开页面,看它要求哪些输入
教育 | 数据科学学生 | 学习训练好的模型如何变成应用 | 下载这三个文件,阅读 app.py
咨询 | 数据顾问 | 给客户演示一个简单的样例 | 分享 Space 页面作为快速原型
如果你需要用自己的客户数据训练模型,这个演示最多只是个起点。
用在哪里:它可以在两个地方运行。
Use case | Who | What they get back
给一位客户打分 | 留存分析师 | 一个客户是否可能流失的预测
演示模型 | 顾问 | 客户可以打开并试用的页面
研究代码 | 学生 | 一个简短的 app.py 和 requirements.txt 可供阅读
如何设置:在线使用什么都不用准备。本地副本需要几样东西。
pip install -U huggingface_hub
hf download Saryy77/customer-churn-predictor --repo-type space --local-dir customer-churn-predictor
cd customer-churn-predictor
pip install gradio==6.31.0
pip install -r requirements.txt
python app.py
如何使用:打开 Space,填写页面上显示的客户字段并提交。页面随后显示模型对这位客户的流失预测。在本地副本里运行 python app.py,就能在自己的电脑上得到同样的页面。
示例:你输入一位手机用户的信息并提交表单。页面回复模型对这位客户是否可能离开的预测。
新手与专家:流失指客户不再付费。打开页面,每次只改一个输入,观察预测如何变化。这能让你看出模型主要依赖哪些信息。
模型是 scikit-learn 的,Gradio 把它包成网页表单。仓库很小,只有 README、app.py 和 requirements.txt,整条流程很容易读懂。它运行在 Hugging Face 的 zero-a10g 硬件上。
你填写客户信息
Gradio 页面把信息送给模型
scikit-learn 模型预测是否流失
页面显示结果
注意事项:README 内容很少,所以训练数据和准确率等细节都没有文档说明。
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| Customer Churn Predictor 本页 | 1 | gradio | mit | |
| Signature Detection共有 gradio | 12 | gradio | agpl-3.0 | |
| Salamtak سلامتك共有 gradio | 2 | gradio | agpl-3.0 | |
| Whisper Chileno共有 gradio | 1 | gradio | apache-2.0 | |
| Medical Insight Explorer Agent共有 gradio | 1 | gradio | mit | |
| Food Waste CV共有 gradio | 1 | gradio | agpl-3.0 |
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
perplexity-ai · 工具包
根据文字和图片为一个决策挑出最合适的选项,比如哪个团队应该处理一条请求,并给出每个选项的概率,适合构建分流和审核工作流的开发者。
numind · 工具包
以文本或图像读取文档,按你要的字段填写 JSON 模板,或把页面转成 Markdown。这是一个 4B 模型,适合处理扫描件、表单和发票的团队。
nace-ai · 工具包
一次推理就对一份文档的是非题、选择题和打分题给出每个选项的概率。这是 Nace.AI 的 8B 决策模型,你可以自己运行,许可证为非商业。