XoNet

XoNet est un prototype d'analyse de sentiment pour des phrases en fon/fongbe.

Entrainement ML v2

Le pipeline v2 conserve le dataset actuel et entraine une nouvelle generation de modeles sans remplacer les artefacts existants.

Commande locale recommandee :

python -m src.training.train_sentiment_v2

Sorties creees dans models/ :

• sentiment_pipeline_v2.joblib : pipeline complet TF-IDF + modele + seuils.
• metrics_v2.json : comparaison validation/test.
• classification_report_v2.txt : rapport lisible avec matrice de confusion.

La selection du modele se fait sur F1 macro en validation. Le test 15% est utilise seulement pour l'evaluation finale.

Pour inclure LightGBM/XGBoost :

python -m src.training.train_sentiment_v2 --include-boosting

L'application Flask charge desormais sentiment_pipeline_v3_tuned.joblib par defaut. Si le pipeline v3 est absent, elle retombe automatiquement sur les anciens fichiers tfidf.joblib et voting_model.joblib.

Pour forcer explicitement le mode v2 :

$env:XONET_PIPELINE_FILENAME="sentiment_pipeline_v3_tuned.joblib"
python app.py

Pour forcer explicitement le mode legacy (ancien couple tfidf+voting) :

$env:XONET_PIPELINE_FILENAME=""
python app.py

Resultat local obtenu avec les modeles rapides :

Best model: SVM lineaire calibre
Test accuracy: 0.7228
Test F1 macro: 0.6659
Existing voting F1 macro: 0.6520

Benchmark ML v3

Une v3 experimentale teste la combinaison TF-IDF caracteres + mots avec un SVM lineaire calibre, sans modifier le dataset ni remplacer la v2.

Commandes :

python -m src.training.train_sentiment_v3
python -m src.training.tune_sentiment_v3

Meilleur resultat obtenu :

Modele : hybrid_char_word_svm_c0.5
Accuracy test : 0.7539
F1 macro test : 0.7051

Les artefacts v3 sont sentiment_pipeline_v3_tuned.joblib, metrics_v3_tuned.json et classification_report_v3_tuned.txt. L'application reste sur la v2 par defaut jusqu'a validation explicite de la v3.