Update app.py

app.py

@@ -5,63 +5,6 @@
 
 # # 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