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

# # Charger le modèle pré-entraîné
# classifier_model = "morit/french_xlm_xnli"
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 = 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  {}."

# Ajouter un bouton pour déclencher l'analyse
if st.button("Analyser le texte"):
    if text and candidate_labels:
        result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
        
        if result['labels'][0] == 1:
            st.info(f"Résultat: commentaire positif avec une confiance de {result['scores'][0]*100:.2f}%")
        if result['labels'][0] == 0:
            st.info(f"Résultat: commentaire négatif 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")
    st.subheader("Elles sont evaluées sur des données labelisés")
    metrics_df = pd.DataFrame({
        "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
        "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
    })
    st.table(metrics_df)
    st.markdown("**Accuracy:L e ratio d'instances correctement predites surle ratio total**")
    st.markdown("**Precision:Pourcentage de bonnes predictions positives sur le nombre de positifs**")
    st.markdown("**Rappel:Pourcentage de bonnes predictions positives sur le total**")
    st.markdown("**f1-score:Moyenne de la precision et du rappel**")
    st.markdown("**Balanced-Accuracy:Moyenne des taux de vrais positifs pour chaque classe**")