<?php

require __DIR__ . '/vendor/autoload.php';

use Phpml\Classification\SVC;
use Phpml\FeatureExtraction\TfIdfTransformer;
use Phpml\FeatureExtraction\TokenCountVectorizer;
use Phpml\Tokenization\WhitespaceTokenizer;
use Phpml\SupportVectorMachine\Kernel;
use Phpml\ModelManager;

require __DIR__ . '/TokenIzer.php';

// 1. Vos données d'entraînement
// $samples = [
//     'Je suis très heureux',
//     'C\'est fantastique',
//     'Je suis triste',
//     'C\'est horrible'
// ];
// $labels = ['positif', 'positif', 'négatif', 'négatif'];

// $messageTest = <<<'EOT'
// Bonjour, je vends mon iPhone 12 Pro Max 256 Go en excellent état, avec tous les accessoires d'origine. Prix : 900€. Contactez-moi pour plus d'informations.
// EOT;
$messageTest = <<<'EOT'
Alerte : un incendie s'est déclaré dans un immeuble du centre-ville. Les pompiers sont sur place et maîtrisent la situation. Aucune victime n'est à déplorer pour le moment, mais les autorités recommandent d'éviter le secteur. Nous vous tiendrons informés de l'évolution de la situation.
EOT;

$samples = [];
$labels = [];

$files = [
    __DIR__ . '/output/positive.php',
    __DIR__ . '/output/negative.php',
];

foreach ($files as $file) {
    $texts = require $file;
    foreach ($texts as $text) {
        $samples[] = $text;
        $labels[] = basename($file, '.php');
    }
}

// 2. Transformer le texte en vecteurs (nombres) compréhensibles par la machine
$vectorizer = new TokenCountVectorizer(new WhitespaceLowerTokenizer());
$vectorizer->fit($samples);
$vectorizer->transform($samples);

// 3. Entraîner le classifier
$classifier = new SVC(Kernel::SIGMOID, 10000);
$classifier->train($samples, $labels);

// 4. Prédire
$newSample = [$messageTest];
$vectorizer->transform($newSample);
echo $classifier->predict($newSample)[0]; // Affiche "négatif"

// 5. Sauvegarder le modèle
$filepath = __DIR__ . '/model.phpml';
$modelManager = new ModelManager();
$modelManager->saveToFile($classifier, $filepath);

// 6. Charger le modèle
$restoredClassifier = $modelManager->restoreFromFile($filepath);
echo "\n" . 'Prédiction avec le modèle chargé : ' . $restoredClassifier->predict($newSample)[0] . "\n";

/// --- TEST ---

$samples = [];
$labels = [];

foreach ($files as $file) {
    $texts = require $file;
    foreach ($texts as $text) {
        $samples[] = $text;
        $labels[] = basename($file, '.php');
    }
}

// --- Étape A : Vectorisation (Comptage) ---
$vectorizer = new TokenCountVectorizer(new WhitespaceLowerTokenizer());
$vectorizer->fit($samples);
$vectorizer->transform($samples);

// --- Étape B : Transformation TF-IDF ---
$transformer = new TfIdfTransformer();
$transformer->fit($samples); // Calcule l'importance des mots sur tout le corpus
$transformer->transform($samples); // Applique le calcul aux échantillons

// --- Étape C : Entraînement ---
$classifier = new SVC(Kernel::RBF, 10000);
$classifier->train($samples, $labels);

// --- Étape D : Prédiction ---
$newSample = [$messageTest];
$vectorizer->transform($newSample);
$transformer->transform($newSample);
echo $classifier->predict($newSample)[0]; // Affiche "positif"