NatPRL

public partial class Utilisateur
{
    [Key]
    [Column("UtilisateurID")]
    public int UtilisateurId { get; set; }

    [StringLength(100)]
    [Unicode(false)]
    public string? Nom { get; set; }

NatPRL

# Exemple d'utilisation du modèle entraîné pour prédire une nouvelle opinion
new_text = ["je ne le recommande pas du tout !"]
new_text_transformed = vectorizer.transform(new_text)
prediction = classifier.predict(new_text_transformed)
print("Prédiction pour la nouvelle opinion :", prediction[0])

NatPRL

# Afficher les résultats
print("Précision du modèle :", accuracy)

NatPRL

# Prédiction et évaluation
predictions = classifier.predict(X_test)
accuracy = metrics.accuracy_score(y_test, predictions)

NatPRL

# Entraînement du modèle
classifier = MultinomialNB()
classifier.fit(X_train, y_train)

NatPRL

# Division des données en ensembles d'entraînement et de test
X_train, X_test, y_train, y_test = (
    train_test_split(X, labels, test_size=0.2, random_state=42))

NatPRL

# Création des caractéristiques (features)
texts, labels = zip(*data)
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)

NatPRL

# Préparation des données
data = [
    ("J'adore ce produit, il est fantastique !", "positif"),
    ("Je ne recommande pas ce produit, il est mauvais.", "négatif"),
    ("Ce produit est tout simplement inefficace.", "négatif"),
    ("C'est un excellent produit", "positif"),
    # Ajoutez autant d'exemples que nécessaire avec leurs étiquettes correspondantes
]

NatPRL

# Importation des bibliothèques nécessaires
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn import metrics

NatPRL

# Visualisation des résultats
plt.scatter(X[:, 0], X[:, 1], c=labels, s=50, cmap='viridis')
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, marker='X')
plt.title("Résultats du clustering K-Means")
plt.show()