From 617c5e16b13e9f402083ec723d6a179fd83f70c8 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Gr=C3=A9goire=20Mureau?= Date: Fri, 11 Jul 2025 15:09:17 +0200 Subject: [PATCH] blog draft + unit test fix --- deployment/api/tests/test_main.py | 2 +- docs/blog.md | 4 ++-- 2 files changed, 3 insertions(+), 3 deletions(-) diff --git a/deployment/api/tests/test_main.py b/deployment/api/tests/test_main.py index 1657e92..1ec8d84 100644 --- a/deployment/api/tests/test_main.py +++ b/deployment/api/tests/test_main.py @@ -20,7 +20,7 @@ def test_predict_sentiment(): data = response.json() assert "sentiment" in data assert "probability" in data - assert data["sentiment"] in ["positif", "negatif"] + assert data["sentiment"] in ["positive", "negative"] def test_missing_tweet(): response = client.post("/predict", json={}) diff --git a/docs/blog.md b/docs/blog.md index f6acc8b..da824be 100644 --- a/docs/blog.md +++ b/docs/blog.md @@ -10,7 +10,7 @@ Nous avons testé trois approches complémentaires pour prédire le sentiment d ### 1. 🧱 Approche simple : Bag-of-Words (BoW) + modèles de machine learning -Cette approche utilise des vecteurs BoW ou TF-IDF, qui capturent la fréquence des mots dans les tweets. On fait le choix d’éviter des techniques non supervisées comme **LDA**, car elles sont plus adaptées à des tâches de topic modeling et non de classification de sentiments. +Cette approche utilise des vecteurs BoW ou BoW + TF-IDF, qui capturent la fréquence des mots dans les tweets. On fait le choix d’éviter des techniques non supervisées comme **LDA**, car elles sont plus adaptées à des tâches de topic modeling et non de classification de sentiments (binaire qui plus est). ➡️ **Modèles testés :** - Régression Logistique @@ -18,7 +18,7 @@ Cette approche utilise des vecteurs BoW ou TF-IDF, qui capturent la fréquence d - SVM - Random Forest -Ces modèles ont été entraînés avec **GridSearchCV**, en optimisant la **précision (precision)**, notre KPI principal. +Ces modèles ont été entraînés avec **GridSearchCV**, en optimisant la **précision (`precision` et non `accuracy`)**, notre KPI principal. 📸 *[Insérer ici une capture d’écran MLFlow avec les scores des modèles simples]*