Update app.py

app.py

@@ -11,14 +11,19 @@ import os
 # Tải stopwords vào thư mục con 'nltk_data'
 # Điều này giúp Dockerfile dễ dàng sao chép và NLTK tìm thấy chúng
 nltk_data_path = os.path.join(os.path.dirname(__file__), 'nltk_data')
-if not os.path.exists(os.path.join(nltk_data_path, 'corpora', 'stopwords')):
-    os.makedirs(os.path.join(nltk_data_path, 'corpora'), exist_ok=True)
-    nltk.data.path.append(nltk_data_path) # Thêm đường dẫn này để NLTK tìm kiếm
-    try:
+
+# Đảm bảo thư mục tồn tại
+os.makedirs(os.path.join(nltk_data_path, 'corpora'), exist_ok=True)
+# Thêm đường dẫn này để NLTK tìm kiếm
+nltk.data.path.append(nltk_data_path)
+
+# Cố gắng tải stopwords
+try:
+    if not os.path.exists(os.path.join(nltk_data_path, 'corpora', 'stopwords')):
         nltk.download('stopwords', download_dir=nltk_data_path)
-    except Exception as e:
-        st.error(f"Lỗi khi tải NLTK stopwords: {e}")
-        st.stop() # Dừng ứng dụng nếu không tải được
+except Exception as e:
+    st.error(f"Lỗi khi tải NLTK stopwords: {e}")
+    st.stop() # Dừng ứng dụng nếu không tải được
 
 # --- Tải mô hình ---
 model = None
@@ -78,16 +83,20 @@ if st.button("Phân tích"):
                 prediction = model.predict([processed_text])[0]
                 prediction_proba = model.predict_proba([processed_text])[0]
 
-                # Điều chỉnh nhãn tùy thuộc vào cách bạn mã hóa 0 và 1 trong quá trình huấn luyện
-               
-                if prediction == 0:
-                    result_label = "True"
+                # === ĐIỀU CHỈNH LOGIC Ở ĐÂY DỰA TRÊN 1=FAKE, 0=TRUE ===
+                if prediction == 1: # Nếu prediction là 1, đó là TIN GIẢ
+                    result_label = "Tin tức GIẢ"
                     color = "red"
-                else:
-                    result_label = "Fake"
+                else: # Nếu prediction là 0, đó là TIN THẬT
+                    result_label = "Tin tức THẬT"
                     color = "green"
+                # =======================================================
+
+                # Lấy độ tin cậy của lớp được dự đoán
+                # Nếu prediction là 1 (FAKE), lấy xác suất của lớp 1
+                # Nếu prediction là 0 (TRUE), lấy xác suất của lớp 0
+                confidence = round(prediction_proba[prediction] * 100, 2)
 
-                confidence = round(max(prediction_proba) * 100, 2)
 
                 st.subheader("Kết quả phân tích:")
                 st.markdown(f"<h3 style='color:{color};'>{result_label}</h3>", unsafe_allow_html=True)