public static PredictedCommentaire AttribScoreAndTypeOfComment(this PredictedCommentaire commentaire)
{
MLContext mlContext = new MLContext();
//chargement des commentaires de la base de donnée
TrainTestData splitDataView = LoadData(mlContext, commentaire);
//Transformation des commentaire pour être exploité par l'intelligence artificuelle
ITransformer model = BuildAndTrainModel(mlContext, splitDataView.TrainSet);
//Evaluation du model de prédiction ainsi on a le taux de précision de notre model
Evaluate(mlContext, model, splitDataView.TestSet);
PredictionEngine <PredictedCommentaire, PredictedModels.PredictedCommentaire> predictionFunction =
mlContext.Model.CreatePredictionEngine <PredictedCommentaire, PredictedModels.PredictedCommentaire>(model);
//Prédction grâce au model crée avec la classification binaire
var resultPrediction = predictionFunction.Predict(commentaire);
var collection = new CommentaireCollection();
if (collection.GetItems(c => c.Value == commentaire.Value).Count() == 0)
{
collection.NewItems(new PredictedCommentaire
{
Id = resultPrediction.Id,
Value = resultPrediction.Value,
Date = resultPrediction.Date,
SentimentType = resultPrediction.SentimentType,
Sentiment = resultPrediction.Sentiment
});
}
return(resultPrediction);
}
public static TrainTestData LoadData(MLContext mlContext, PredictedCommentaire commentaire)
{
IEnumerable <PredictedCommentaire> commentaires = new CommentaireCollection().GetItems(c => c.Value != commentaire.Value);
IDataView dataView = mlContext.Data.LoadFromEnumerable(commentaires);
//Ce code utilise la méthode TrainTestSplit() pour diviser l'ensemble de données chargé en ensembles de données train et test et les retourner dans la classe TrainTestData.
//La valeur par défaut est 10%, dans ce cas nous utilisons 20% pour évaluer plus de données.
TrainTestData splitDataView = mlContext.Data.TrainTestSplit(dataView, testFraction: 0.2);
return(splitDataView);
}
