| # 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 | |
| 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: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) | |