train_clickbait.py

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
import joblib
import os # تم إضافة هذه المكتبة لفحص الملفات

# اسم ملف البيانات الذي سيبحث عنه الكود في نفس المجلد
DATA_FILE = "clickbait_data.csv"

def train_model():
    """
    الدالة الرئيسية لتدريب النموذج وحفظه
    """
    print("Starting model training...")

    # 1. تحميل البيانات
    # التأكد من وجود الملف في نفس المجلد قبل محاولة قراءته
    if not os.path.exists(DATA_FILE):
        print(f"Error: '{DATA_FILE}' not found in the current directory.")
        print("Please make sure the dataset is present before running the training.")
        print("You can download it from Kaggle: https://www.kaggle.com/datasets/amananandrai/clickbait-dataset")
        exit()
        
    try:
        df = pd.read_csv(DATA_FILE)
    except Exception as e:
        print(f"Error reading {DATA_FILE}: {e}")
        exit()

    print(f"Dataset loaded: {len(df)} headlines.")

    # 2. تحديد المدخلات والمخرجات
    X = df['headline']
    y = df['clickbait']

    # 3. تقسيم البيانات
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # 4. بناء "الخط" (Pipeline)
    # هذا يدمج خطوتين: تحويل النص لأرقام (TfidfVectorizer) والتصنيف (LogisticRegression)
    model_pipeline = Pipeline([
        ('vectorizer', TfidfVectorizer(max_features=5000)), # نأخذ أهم 5000 كلمة
        ('classifier', LogisticRegression(max_iter=1000))
    ])

    # 5. التدريب
    print("Training the model... (This may take a minute)")
    model_pipeline.fit(X_train, y_train)

    # 6. التقييم
    accuracy = model_pipeline.score(X_test, y_test)
    print(f"Training complete. Model accuracy: {accuracy * 100:.2f}%")

    # 7. حفظ النموذج
    joblib.dump(model_pipeline, "clickbait_model.pkl")

    print("Model saved successfully as 'clickbait_model.pkl'")

# --- تشغيل الكود ---
# هذا السطر يضمن أن الكود سيعمل فقط عند تشغيل الملف مباشرة
if __name__ == "__main__":
    train_model()