Update app.py

app.py

@@ -11,7 +11,7 @@ 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_model = "MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli"
 classifier = pipeline("zero-shot-classification", model=classifier_model)
 
 # Charger les données depuis le fichier CSV
@@ -32,7 +32,7 @@ text = st.text_area('Entrer le texte à analyser', value=selected_comment)
 candidate_labels = [1, 0]
 
 # Modèle de phrase pour la formation de l'hypothèse
-hypothesis_template = "Cet exemple est un  {}."
+hypothesis_template = "This example is a  {}."
 
 # Ajouter un bouton pour déclencher l'analyse
 if st.button("Analyser le texte"):
@@ -40,11 +40,11 @@ if st.button("Analyser le texte"):
         result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
         
         if result['labels'][0] == 1:
-            st.info(f"Résultat: commentaire positif avec une confiance de {result['scores'][0]*100:.2f}%")
+            st.info(f"Résults:good comments ,accuracy {result['scores'][0]*100:.2f}%")
         if result['labels'][0] == 0:
-            st.info(f"Résultat: commentaire négatif avec une confiance de {result['scores'][0]*100:.2f}%")
+            st.info(f"Résults: bad comments,accuracy= {result['scores'][0]*100:.2f}%")
     else:
-        st.write("Veuillez entrer du texte pour l'analyse.")
+        st.write("Text Analysis.")
 
     # Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
     inputs = df["text"].tolist()
@@ -59,16 +59,9 @@ if st.button("Analyser le texte"):
     balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
 
     # Afficher les métriques sous forme de tableau
-    st.header("Métriques de Performance")
-    st.subheader("Elles sont evaluées sur des données labelisés")
+    st.header("Evaluation of our models")
     metrics_df = pd.DataFrame({
         "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
         "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
     })
-    st.table(metrics_df)
-    
-    st.markdown("Accuracy c'est  le ratio d'instances correctement predites surle ratio total")
-    st.markdown("Precision c'est le Pourcentage de bonnes predictions positives sur le nombre de positifs")
-    st.markdown("Rappel c'est le Pourcentage de bonnes predictions positives sur le total")
-    st.markdown("f1-score est la Moyenne de la precision et du rappel")
-    st.markdown("Balanced-Accuracy est la Moyenne des taux de vrais positifs pour chaque classe")
+    st.table(metrics_df)