ahmadouna commited on
Commit
bcd9016
·
verified ·
1 Parent(s): df41d92

Update app.py

Browse files
Files changed (1) hide show
  1. app.py +0 -57
app.py CHANGED
@@ -1,57 +0,0 @@
1
- import pandas as pd
2
- import streamlit as st
3
- from transformers import pipeline
4
- from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, balanced_accuracy_score
5
-
6
- # Charger le modèle pré-entraîné
7
- classifier_model = "morit/french_xlm_xnli"
8
- classifier = pipeline("zero-shot-classification", model=classifier_model)
9
-
10
- # Charger les données depuis le fichier CSV
11
- df = pd.read_csv("Comments.csv")
12
-
13
- # Récupérer les commentaires en liste
14
- comments = df["Comment"].tolist()
15
-
16
- # Afficher l'entête
17
- st.header("Analyse de Texte")
18
-
19
- # Créer une selectbox pour choisir un commentaire
20
- selected_comment = st.selectbox("Veuillez sélectionner un commentaire", comments)
21
-
22
- # Afficher le commentaire sélectionné dans l'input text
23
- text = st.text_input('Entrer le texte à analyser', value=selected_comment)
24
-
25
- # Labels candidats pour la classification
26
- candidate_labels = ["commentaire positif", "commentaire négatif"]
27
-
28
- # Modèle de phrase pour la formation de l'hypothèse
29
- hypothesis_template = "Cet exemple est un {}."
30
-
31
- # Exécuter la classification seulement si du texte est entré
32
- if text and candidate_labels:
33
- result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
34
- st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
35
- else:
36
- st.write("Veuillez entrer du texte pour l'analyse.")
37
-
38
- # Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
39
- if text and candidate_labels:
40
- inputs = df["Comment"].tolist()
41
- true_labels = df["Label"].tolist()
42
- predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
43
- predicted_labels = [result['labels'][0] for result in predictions]
44
-
45
- accuracy = accuracy_score(true_labels, predicted_labels)
46
- precision = precision_score(true_labels, predicted_labels, average='binary') # Si votre tâche est binaire
47
- recall = recall_score(true_labels, predicted_labels, average='binary') # Si votre tâche est binaire
48
- f1 = f1_score(true_labels, predicted_labels, average='binary') # Si votre tâche est binaire
49
- balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
50
-
51
- # Afficher les métriques sous forme de tableau
52
- st.header("Métriques de Performance")
53
- metrics_df = pd.DataFrame({
54
- "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
55
- "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
56
- })
57
- st.table(metrics_df)