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 # 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") # 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) # Labels candidats pour la classification candidate_labels = [1,0] # 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.") # 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