Create app.py

app.py

@@ -0,0 +1,64 @@
+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
+