app.py

import pandas as pd
import streamlit as st
from transformers import pipeline
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, balanced_accuracy_score
from PIL import Image
# Charger le modèle pré-entraîné
classifier_model = "morit/french_xlm_xnli"
#classifier_model ="MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"
classifier = pipeline("zero-shot-classification", model=classifier_model)

# Charger les données depuis le fichier CSV
df = pd.read_csv("fic.csv",sep=";")
# Récupérer les commentaires en liste
comments = df["text"].tolist()

# Afficher l'entête
st.header("Analyse de Texte")

st.subheader("Choisr les etiquettes a consideerer")
col1, col2,col3= st.columns(3)  # Crée deux colonnes

with col1:
    # Case à cocher dans la première colonne
   joie = st.checkbox("Joie", value=True)  # Pré-cochée
with col2:
    # Case à cocher dans la deuxième colonne
    tristesse = st.checkbox("Tristesse", value=True)  # Pré-cochée
with col3:
    # Case à cocher dans la deuxième colonne
    surcharge = st.checkbox("surcharge", value=True)  # Pré-cochée

# Collecter les labels choisis dans une liste
candidate_labels = []
if joie:
    candidate_labels.append("joie")  # Remplacer par le label exact pour "positif"
if tristesse:
    candidate_labels.append("tristesse")  # Remplacer par le label exact pour "négatif"
if peur:
    candidate_labels.append("surcharge")  # Remplacer par le label exact pour "négatif"
# Créer une selectbox pour choisir un commentaire
selected_comment = st.selectbox("Veuillez sélectionner un commentaire", comments)

# Afficher le commentaire sélectionné dans l'input text
text = st.text_area('Entrer le texte à analyser', value=selected_comment)


# Modèle de phrase pour la formation de l'hypothèse
hypothesis_template = "Cet exemple est un  {}."

# Exécuter la classification seulement si du texte est entré
if text and candidate_labels:
    result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
    
    #st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
    if result['labels'][0]==1:
        st.info(f"Résultat: commentaire positive avec une confiance de {result['scores'][0]*100:.2f}%")
    if result['labels'][0]==0:
        st.info(f"Résultat: commentaire negative avec une confiance de {result['scores'][0]*100:.2f}%")
else:
    st.write("Veuillez entrer du texte pour l'analyse.")

st.header("Decoupage de notre dataset")
image=Image.open("train_test.PNG")
st.image(image, caption='Train_test_Split', use_column_width=True)
# Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)

inputs = df["text"].tolist()
true_labels = df["label"].tolist()
predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
predicted_labels = [result['labels'][0] for result in predictions]
    
accuracy = accuracy_score(true_labels, predicted_labels)
precision = precision_score(true_labels, predicted_labels, average='binary')  
recall = recall_score(true_labels, predicted_labels, average='binary')  
f1 = f1_score(true_labels, predicted_labels, average='binary') 
balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)

# Afficher les métriques sous forme de tableau
st.header("Métriques de Performance")
metrics_df = pd.DataFrame({
        "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
        "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
    })
st.table(metrics_df)
# a continuer