Update app.py

app.py

@@ -1,57 +0,0 @@
-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 = pipeline("zero-shot-classification", model=classifier_model)
-
-# Charger les données depuis le fichier CSV
-df = pd.read_csv("Comments.csv")
-
-# Récupérer les commentaires en liste
-comments = df["Comment"].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_input('Entrer le texte à analyser', value=selected_comment)
-
-# Labels candidats pour la classification
-candidate_labels = ["commentaire positif", "commentaire négatif"]
-
-# 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}%")
-else:
-    st.write("Veuillez entrer du texte pour l'analyse.")
-
-# 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)