|
--- |
|
license: other |
|
license_name: creative-commons-attribution-noncommercial |
|
license_link: >- |
|
https://raw.githubusercontent.com/idleberg/Creative-Commons-Markdown/refs/heads/main/4.0/by-nc-nd.markdown |
|
language: |
|
- en |
|
metrics: |
|
- accuracy |
|
base_model: |
|
- xlnet/xlnet-base-cased |
|
pipeline_tag: text-classification |
|
library_name: sklearn |
|
tags: |
|
- Emotions |
|
--- |
|
|
|
# Classificateur d'émotions basé sur XLNet |
|
|
|
Ce projet implémente un classificateur d'émotions pour les textes français en utilisant le modèle XLNet pré-entraîné et |
|
fine-tuné (xlnet-base-cased). Il est capable de détecter les émotions suivantes : joie, peur, colère, tristesse. |
|
|
|
|
|
## Dataset |
|
|
|
Le modèle a été entraîné sur un jeu de données contenant des annotations d'émotions pour des messages textuels en français. |
|
Les données ont été nettoyées et prétraitées avant d'être utilisées pour l'entraînement du modèle. |
|
Le dataset original est désequilibré, c'est pourquoi on a rééquilibré les classes afin d'avoir une meilleure performance. |
|
Après le prétraitement et le rééquilibrage, on obtient un dataset de 12000 lignes. |
|
|
|
## Entraînement |
|
|
|
Le modèle XLNet a été fine-tuné sur les données d'entraînement pendant 5 époques avec un taux d'apprentissage adapté pour |
|
optimiser les performances. |
|
La métrique d'évaluation utilisée est l'accuracy. |
|
Les données on été divisé en 3 parties : |
|
80% pour l'entrainement, 10% pour la validation et 10% pour les tests. |
|
|
|
## Performances |
|
|
|
Le modèle a obtenu une accuracy de plus de 91% sur l'ensemble de validation et de test. |
|
Les prédictions sur des exemples choisis se sont avérées pertinentes. |
|
|
|
**Interprétation des outputs :** |
|
|
|
* **Accuracy :** Le modèle a atteint une accuracy de plus de 90 % sur les données de validation et de test, ce qui indique |
|
* sa capacité à prédire correctement l'émotion dans la plupart des cas. |
|
* **Pertes :** La courbe de perte pendant l'entraînement montre une diminution progressive, ce qui signifie que le modèle |
|
* apprend et s'améliore au fil des époques. |
|
* **Prédictions :** Les exemples de prédictions sur des textes de validation montrent que le modèle est capable d'identifier |
|
* l'émotion dominante avec une probabilité élevée. |
|
* On remarque aussi que le modèle a une bonne précision avec un score F1 de 0.91. |
|
* Ce qui est un bon indicateur de la performance du modèle. |
|
* **Matrice de confusion:** La matrice de confusion montre que le modèle est capable de distinguer les différentes émotions |
|
* avec une bonne précision. Cependant, il y a quelques confusions entre les émotions "joie" et "peur", ce qui est compréhensible |
|
* car ces émotions peuvent parfois être exprimées de manière similaire dans les textes. |
|
|
|
|
|
## Utilisation |
|
|
|
Pour utiliser le modèle, vous pouvez charger le pipeline Hugging Face et passer un texte en entrée pour obtenir la prédiction |
|
d'émotion et les probabilités associées. |
