Update app.py

app.py

@@ -5,6 +5,10 @@ from sklearn.preprocessing import LabelEncoder
 from sklearn.linear_model import LogisticRegression
 from sklearn.feature_extraction.text import TfidfVectorizer
 from sklearn.pipeline import Pipeline
+import warnings
+
+# Filtert die UserWarning von scikit-learn wegen der fehlenden Stichhaltigkeit von Klassen im Klassifikationsbericht heraus
+warnings.filterwarnings("ignore", category=UserWarning)
 
 # 1. Laden und Vorbereiten des Datensatzes (einmalig beim Start)
 try:
@@ -17,10 +21,12 @@ try:
     train_texts, test_texts, train_labels, test_labels = train_test_split(
         texts, numerical_labels, test_size=0.2, random_state=42, stratify=numerical_labels
     )
+    print("Datensatz 'banking77' erfolgreich geladen.")  # Ausgabe zur Bestätigung
 except Exception as e:
     print(f"Fehler beim Laden des Datensatzes: {e}")
     label_names = ["Fehler beim Laden"]
     pipeline = None
+    print("Modell wird nicht trainiert, da der Datensatz nicht geladen werden konnte.")  # Ausgabe zur Info
 
 # 2. Trainieren des Modells (einmalig beim Start)
 if 'pipeline' not in locals() or pipeline is None:
@@ -30,39 +36,125 @@ if 'pipeline' not in locals() or pipeline is None:
             ('classifier', LogisticRegression(solver='liblinear', multi_class='ovr', random_state=42))
         ])
         pipeline.fit(train_texts, train_labels)
-        print("Modell erfolgreich trainiert.")
+        print("Modell erfolgreich trainiert.")  # Ausgabe zur Bestätigung
     except Exception as e:
         print(f"Fehler beim Trainieren des Modells: {e}")
         pipeline = None
+        print("Modell konnte nicht trainiert werden.") # Ausgabe zur Info
 
 # 3. Funktion für die Vorhersage
 def predict_intent(text):
     if pipeline is not None and label_names:
-        prediction = pipeline.predict([text])[0]
-        predicted_label = label_names[prediction]
-        probabilities = pipeline.predict_proba([text])[0]
-        confidences = {label_names[i]: f"{probabilities[i]:.2f}" for i in range(len(label_names))}
-        return predicted_label, confidences
+        try:
+            prediction = pipeline.predict([text])[0]
+            predicted_label = label_names[prediction]
+            probabilities = pipeline.predict_proba([text])[0]
+            confidences = {label_names[i]: f"{probabilities[i]:.2f}" for i in range(len(label_names))}
+            return predicted_label, confidences
+        except Exception as e:
+            return "Fehler bei der Vorhersage", {"Fehler": f"Ein Fehler ist bei der Vorhersage aufgetreten: {e}"}
     else:
         return "Fehler", {"Fehler": "Modell nicht geladen oder trainiert."}
 
 # 4. Erstellen der Gradio Interface
 iface = gr.Interface(
     fn=predict_intent,
-    inputs=gr.Textbox(label="Gib deine Kundenanfrage ein:"),
+    inputs=gr.Textbox(label="Gib deine Kundenanfrage ein:", placeholder="z.B. Ich habe mein Passwort vergessen."),
     outputs=[
         gr.Label(label="Vorhergesagte Kundenintention:"),
         gr.JSON(label="Konfidenzwerte:")
     ],
-    title="Vorhersage der Kundenintention (Banking77)",
-    description="Dieses Demo sagt die Kundenintention basierend auf der Eingabe einer Textanfrage vorher. Das Modell wurde auf dem Banking77-Datensatz trainiert.",
+    #  title und description auf Deutsch
+    title="KI-gestützte Vorhersage von Kundenanfragen",
+    description="Diese Anwendung sagt die Absicht einer Kundenanfrage voraus.  Gib eine Anfrage ein, um die vorhergesagte Kategorie und die Konfidenzwerte zu sehen.  Das Modell wurde auf dem Datensatz Banking77 trainiert.",
     examples=[
         ["Ich habe mein Passwort vergessen."],
         ["Wie kann ich Geld überweisen?"],
         ["Meine Karte ist verloren gegangen."],
         ["Was ist der aktuelle Zinssatz für ein Sparkonto?"]
-    ]
+    ],
+    css="""
+    .container {
+        margin: 0 auto;
+        max-width: 700px;
+        padding: 20px;
+        text-align: center;
+    }
+    .input_output_section {
+        display: flex;
+        flex-direction: column;
+        align-items: center;
+        margin-bottom: 20px;
+    }
+    .label {
+        font-weight: bold;
+        margin-bottom: 5px;
+        color: #4a5568; /* Dunkleres Grau für bessere Lesbarkeit */
+    }
+    .textbox {
+        border: 1px solid #cbd5e0;  /* Etwas hellerer Rahmen */
+        border-radius: 0.375rem; /* Abgerundete Ecken gemäß Tailwind */
+        padding: 0.75rem;
+        width: 100%;
+        max-width: 400px; /* Begrenze die Breite des Textfelds */
+        margin-bottom: 1rem;
+        font-size: 1rem;
+        box-shadow: inset 0 2px 4px rgba(0,0,0,0.06); /* Subtiler Schatten */
+        transition: border-color 0.2s ease-in-out, box-shadow 0.2s ease-in-out; /* Sanfte Übergänge */
+    }
+    .textbox:focus {
+        outline: none;
+        border-color: #3182ce;  /* Blauer Fokus-Rand */
+        box-shadow: 0 0 0 3px rgba(66, 153, 225, 0.16);  /* Heller Fokus-Schatten */
+    }
+    .label_output {
+        font-size: 1.25rem;
+        font-weight: 600;
+        color: #2d3748; /* Noch dunkler für die Ausgabe */
+        margin-bottom: 1.5rem;
+        padding: 0.5rem;
+        border-radius: 0.375rem;
+        background-color: #edf2f7; /* Sehr helles Grau für Hintergrund der Ausgabe */
+        box-shadow: 0 1px 3px rgba(0,0,0,0.08); /* Sehr schwacher Schatten */
+        min-width: 200px; /* Mindestbreite für die Ausgabe */
+        text-align: center;
+    }
+    .json_output {
+        background-color: #f7fafc; /* Noch helleres Grau für JSON */
+        border: 1px solid #e2e8f0;
+        border-radius: 0.375rem;
+        padding: 1rem;
+        font-family: 'Menlo', monospace; /* Monospace-Schriftart für JSON */
+        font-size: 0.875rem;
+        line-height: 1.5rem;
+        overflow-x: auto; /* Horizontal scrollbar bei Überlauf */
+        max-width: 400px;  /* Maximale Breite */
+        margin: 0 auto; /* Zentrieren */
+    }
+    .examples {
+        margin-top: 2rem;
+        text-align: center;
+    }
+    .example_item {
+        cursor: pointer;
+        padding: 0.5rem 1rem;
+        margin: 0.5rem;
+        background-color: #e2e8f0; /* Hellgrauer Hintergrund für Beispiele */
+        color: #2d3748;
+        border-radius: 0.375rem;
+        border: 1px solid #f0f4f8;
+        transition: background-color 0.2s ease-in-out, transform 0.1s ease;
+        display: inline-block; /* Damit die Breite automatisch angepasst wird */
+        font-size: 0.9rem;
+        box-shadow: 0 1px 2px rgba(0,0,0,0.05);
+    }
+    .example_item:hover {
+        background-color: #cbd5e0; /* Dunkleres Grau bei Hover */
+        transform: translateY(-2px); /* Leichter Hover-Effekt */
+        border-color: #a0aec0;
+    }
+    """,
 )
 
 # 5. Starten der Gradio App (wird beim Ausführen des Skripts aktiv)
-iface.launch(share=False)
+iface.launch(share=True)