Update app.py

app.py

@@ -5,28 +5,24 @@ tokenizer = AutoTokenizer.from_pretrained("nlptown/bert-base-multilingual-uncase
 model = AutoModelForSequenceClassification.from_pretrained("nlptown/bert-base-multilingual-uncased-sentiment")
 
 # Create a sentiment analysis pipeline with the explicit tokenizer
-nlp = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)
+classifier = pipeline("text-classification", model=model)
 
-st.title("Sentiment Analysis App")
-user_input = st.text_input("ป้อนประโยค:")
+# สร้างหน้าเว็บ Streamlit
+st.title("Spam Detection App")
 
-# ตรวจจับข้อความเมื่อผู้ใช้คลิกปุ่ม "ตรวจสแปม"
-if st.button("ตรวจสแปม"):
+# สร้างกล่องข้อความให้ผู้ใช้ป้อนข้อความ
+user_input = st.text_input("ใส่ข้อความที่ต้องการตรวจสอบ:")
+
+# ตรวจสอบข้อความเมื่อผู้ใช้กดปุ่ม "ตรวจสอบ"
+if st.button("ตรวจสอบ"):
     if user_input:
-        # ใช้โมเดลในการตรวจจับสแปม
-        result = nlp(user_input)
-        label = result[0]['label']
-        score = result[0]['score']
+        # ใช้โมเดลตรวจสอบข้อความ
+        result = classifier(user_input)
 
         # แสดงผลลัพธ์
-        st.write(f"ผลการตรวจสแปม: {label}")
-        st.write(f"คะแนนความเชื่อมั่น: {score:.4f}")
-
-        # ตรวจสแปมและแสดงข้อความเตือน
-        if label == "spam":
-            st.warning("ข้อความนี้ถูกตรวจสแปม")
-        else:
-            st.success("ข้อความนี้ไม่ใช่สแปม")
+        st.write("ผลลัพธ์:")
+        st.write(f"ข้อความ: {user_input}")
+        st.write(f"สปัม: {result[0]['label']}")
+        st.write(f"ความมั่นใจ: {result[0]['score']}")
     else:
-        st.warning("โปรดป้อนข้อความเพื่อตรวจสแปม")
-
+        st.warning("โปรดป้อนข้อความก่อนตรวจสอบ")