Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
@@ -1,14 +1,76 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
import pandas as pd
|
2 |
import streamlit as st
|
3 |
from transformers import pipeline
|
4 |
-
from
|
5 |
|
6 |
# Charger le modèle pré-entraîné
|
7 |
classifier_model = "morit/french_xlm_xnli"
|
8 |
classifier = pipeline("zero-shot-classification", model=classifier_model)
|
9 |
|
10 |
# Charger les données depuis le fichier CSV
|
11 |
-
df = pd.read_csv("fic.csv",sep=";")
|
12 |
# Récupérer les commentaires en liste
|
13 |
comments = df["text"].tolist()
|
14 |
|
@@ -30,32 +92,30 @@ hypothesis_template = "Cet exemple est un commentaire {}."
|
|
30 |
# Exécuter la classification seulement si du texte est entré
|
31 |
if text and candidate_labels:
|
32 |
result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
|
33 |
-
|
34 |
-
|
35 |
-
|
36 |
-
st.info(f"Résultat: commentaire positive avec une confiance de {result['scores'][0]*100:.2f}%")
|
37 |
else:
|
38 |
-
st.info(f"Résultat: commentaire negative avec une confiance de {result['scores'][0]*100:.2f}%")
|
39 |
else:
|
40 |
st.write("Veuillez entrer du texte pour l'analyse.")
|
41 |
|
42 |
-
#
|
43 |
if text and candidate_labels:
|
44 |
inputs = df["text"].tolist()
|
45 |
true_labels = df["label"].tolist()
|
46 |
predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
|
47 |
predicted_labels = [result['labels'][0] for result in predictions]
|
48 |
-
|
49 |
-
|
50 |
-
|
51 |
-
|
52 |
-
|
53 |
-
balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
|
54 |
|
55 |
# Afficher les métriques sous forme de tableau
|
56 |
st.header("Métriques de Performance")
|
57 |
metrics_df = pd.DataFrame({
|
58 |
-
"Métrique": ["
|
59 |
-
"Valeur": [
|
60 |
})
|
61 |
st.table(metrics_df)
|
|
|
1 |
+
# import pandas as pd
|
2 |
+
# import streamlit as st
|
3 |
+
# from transformers import pipeline
|
4 |
+
# from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, balanced_accuracy_score
|
5 |
+
|
6 |
+
# # Charger le modèle pré-entraîné
|
7 |
+
# classifier_model = "morit/french_xlm_xnli"
|
8 |
+
# classifier = pipeline("zero-shot-classification", model=classifier_model)
|
9 |
+
|
10 |
+
# # Charger les données depuis le fichier CSV
|
11 |
+
# df = pd.read_csv("fic.csv",sep=";")
|
12 |
+
# # Récupérer les commentaires en liste
|
13 |
+
# comments = df["text"].tolist()
|
14 |
+
|
15 |
+
# # Afficher l'entête
|
16 |
+
# st.header("Analyse de Texte")
|
17 |
+
|
18 |
+
# # Créer une selectbox pour choisir un commentaire
|
19 |
+
# selected_comment = st.selectbox("Veuillez sélectionner un commentaire", comments)
|
20 |
+
|
21 |
+
# # Afficher le commentaire sélectionné dans l'input text
|
22 |
+
# text = st.text_area('Entrer le texte à analyser', value=selected_comment)
|
23 |
+
|
24 |
+
# # Labels candidats pour la classification
|
25 |
+
# candidate_labels = [0, 1]
|
26 |
+
|
27 |
+
# # Modèle de phrase pour la formation de l'hypothèse
|
28 |
+
# hypothesis_template = "Cet exemple est un commentaire {}."
|
29 |
+
|
30 |
+
# # Exécuter la classification seulement si du texte est entré
|
31 |
+
# if text and candidate_labels:
|
32 |
+
# result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
|
33 |
+
|
34 |
+
# #st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
|
35 |
+
# if result['labels'][0]==1:
|
36 |
+
# st.info(f"Résultat: commentaire positive avec une confiance de {result['scores'][0]*100:.2f}%")
|
37 |
+
# else:
|
38 |
+
# st.info(f"Résultat: commentaire negative avec une confiance de {result['scores'][0]*100:.2f}%")
|
39 |
+
# else:
|
40 |
+
# st.write("Veuillez entrer du texte pour l'analyse.")
|
41 |
+
|
42 |
+
# # Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
|
43 |
+
# if text and candidate_labels:
|
44 |
+
# inputs = df["text"].tolist()
|
45 |
+
# true_labels = df["label"].tolist()
|
46 |
+
# predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
|
47 |
+
# predicted_labels = [result['labels'][0] for result in predictions]
|
48 |
+
|
49 |
+
# accuracy = accuracy_score(true_labels, predicted_labels)
|
50 |
+
# precision = precision_score(true_labels, predicted_labels, average='binary') # Si votre tâche est binaire
|
51 |
+
# recall = recall_score(true_labels, predicted_labels, average='binary') # Si votre tâche est binaire
|
52 |
+
# f1 = f1_score(true_labels, predicted_labels, average='binary') # Si votre tâche est binaire
|
53 |
+
# balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
|
54 |
+
|
55 |
+
# # Afficher les métriques sous forme de tableau
|
56 |
+
# st.header("Métriques de Performance")
|
57 |
+
# metrics_df = pd.DataFrame({
|
58 |
+
# "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
|
59 |
+
# "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
|
60 |
+
# })
|
61 |
+
# st.table(metrics_df)
|
62 |
+
|
63 |
import pandas as pd
|
64 |
import streamlit as st
|
65 |
from transformers import pipeline
|
66 |
+
from datasets import load_metric
|
67 |
|
68 |
# Charger le modèle pré-entraîné
|
69 |
classifier_model = "morit/french_xlm_xnli"
|
70 |
classifier = pipeline("zero-shot-classification", model=classifier_model)
|
71 |
|
72 |
# Charger les données depuis le fichier CSV
|
73 |
+
df = pd.read_csv("fic.csv", sep=";")
|
74 |
# Récupérer les commentaires en liste
|
75 |
comments = df["text"].tolist()
|
76 |
|
|
|
92 |
# Exécuter la classification seulement si du texte est entré
|
93 |
if text and candidate_labels:
|
94 |
result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
|
95 |
+
|
96 |
+
if result['labels'][0] == 1:
|
97 |
+
st.info(f"Résultat: commentaire positive avec une confiance de {result['scores'][0] * 100:.2f}%")
|
|
|
98 |
else:
|
99 |
+
st.info(f"Résultat: commentaire negative avec une confiance de {result['scores'][0] * 100:.2f}%")
|
100 |
else:
|
101 |
st.write("Veuillez entrer du texte pour l'analyse.")
|
102 |
|
103 |
+
# Utiliser les métriques de Hugging Face
|
104 |
if text and candidate_labels:
|
105 |
inputs = df["text"].tolist()
|
106 |
true_labels = df["label"].tolist()
|
107 |
predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
|
108 |
predicted_labels = [result['labels'][0] for result in predictions]
|
109 |
+
|
110 |
+
# Calculer les métriques de performance
|
111 |
+
metrics = load_metric("precision", "accuracy", "recall", "f1", "roc_auc")
|
112 |
+
metrics.add_batch(predictions=predicted_labels, references=true_labels)
|
113 |
+
results = metrics.compute()
|
|
|
114 |
|
115 |
# Afficher les métriques sous forme de tableau
|
116 |
st.header("Métriques de Performance")
|
117 |
metrics_df = pd.DataFrame({
|
118 |
+
"Métrique": ["Precision", "Accuracy", "Recall", "F1 Score", "ROC-AUC Score"],
|
119 |
+
"Valeur": [results["precision"], results["accuracy"], results["recall"], results["f1"], results["roc_auc"]]
|
120 |
})
|
121 |
st.table(metrics_df)
|