Update app.py

app.py

@@ -1,53 +1,57 @@
-import streamlit as st
 import pandas as pd
+import streamlit as st
 from transformers import pipeline
-import numpy as np
-# Chargement du dataframe
+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("Comments.csv")
 
-#recup des comments en liste
+# Récupérer les commentaires en liste
 comments = df["Comment"].tolist()
-st.header("Analyse de Texte ")
 
-# Create a selectbox to choose a comment
-selected_comment = st.selectbox("Veuiller selelctionner un commentaire", comments)
+# Afficher l'entête
+st.header("Analyse de Texte")
 
-# Display the selected comment in the text input
+# 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_input('Entrer le texte à analyser', value=selected_comment)
 
 # Labels candidats pour la classification
-candidate_labels = ["commentaire positive", "commentaire négative"]
+candidate_labels = ["commentaire positif", "commentaire négatif"]
 
 # Modèle de phrase pour la formation de l'hypothèse
 hypothesis_template = "Cet exemple est un {}."
 
-# Create the classifier pipeline
-classifier = pipeline("zero-shot-classification", model="morit/french_xlm_xnli")
-
-# Exécution de la classification seulement si du texte est entré
-if text and candidate_labels:  # Vérifier si du texte et au moins une étiquette sont présents
+# 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}%")
 else:
     st.write("Veuillez entrer du texte pour l'analyse.")
-image1 = "toph1.png"
-st.text("\n \n \n")
-st.markdown("**Differentes Process pour l'analyse de sentiments**")
-st.image(image1, caption="Workflow analyse de sentiment", use_column_width=True)
-
-st.text("\n \n \n")
-st.header("**Comment ça marche**")
-st.text("\n \n \n")
-st.markdown("1. Recuperation  des EAEs")
-st.markdown("3. Traitement des entretiens")
-st.markdown("Separations en 2 ensembles Train pour entrainer notre modele et Test les données pour evaluer notre modele")
-st.markdown("2. Analyse exploratoire des données")
-st.markdown("4. Comparaison de plusieurs modeles de Machne Learning pour choisir notre modele")
-st.markdown("5. Evaluation du modele choisi")
-st.markdown("6. Mise en production du modele choisi")
-
-image2 = "nlp.PNG"
-st.text("\n \n \n")
-st.markdown("**Workflow**")
-st.image(image2, caption="Workflow analyse de sentiment", use_column_width=True)
-#a completer
+
+# Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
+if text and candidate_labels:
+    inputs = df["Comment"].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')  # Si votre tâche est binaire
+    recall = recall_score(true_labels, predicted_labels, average='binary')  # Si votre tâche est binaire
+    f1 = f1_score(true_labels, predicted_labels, average='binary')  # Si votre tâche est binaire
+    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)