Spaces:
Sleeping
Sleeping
File size: 2,845 Bytes
aa47277 321bca5 36c4196 aa47277 336a6cf aa47277 321bca5 aa47277 00f9049 aa47277 e2e2e22 aa47277 c99981b aa47277 7e31e1b aa47277 4f0fab0 aa47277 321bca5 49776d9 321bca5 aa47277 ad6e436 a01f014 ad6e436 321bca5 b8e55ef 321bca5 b8e55ef 321bca5 b8e55ef b2e29ac e2e2e22 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 |
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
from PIL import Image
# 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.")
st.header("Decoupage de notre dataset")
image=Image.open("train_test.PNG")
st.image(image, caption='Train_test_Split', use_column_width=True)
# 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
|