Редакция за новини

История

Редакцията на една международна пресова агенция управлява ежедневно хиляди статии от различни области: икономика, политика, наука, технологии и околна среда. За да може да архивира и разпространява бързо информацията, всяка статия трябва да бъде включена в тематична категория.

Поради техническа неизправност етикетите на някои скорошни статии са загубени. Редакцията се обръща към теб, за да построиш интелигентна система, която да може автоматично да класифицира новинарските статии въз основа на тяхното съдържание.

Изискване

Дават се два входни файла:

• train.csv – съдържа новинарски статии, за които категорията е известна
• test.csv – съдържа новинарски статии без категория

Всяка статия се идентифицира чрез уникален id и има свързан текст.
Използвайки данните от train.csv, трябва да построиш модел за класификация, който да предскаже етикета (label) на всяка статия от test.csv.

Резултатът ще бъде запазен във файл submission.csv.

Формат на файловете

train.csv

Съдържа следните колони:

• id – уникален идентификатор на статията (string, напр. 000001)
• text – съдържанието на статията
• label – категорията на статията (цяло число)

Пример:

1id,text,label2000001,"Wall St. Bears Claw Back Into the Black (Reuters)...",23000002,"Carlyle Looks Toward Commercial Aerospace (Reuters)...",24000003,"Oil and Economy Cloud Stocks' Outlook (Reuters)...",2

test.csv

Съдържа следните колони:

• id – уникален идентификатор
• text – съдържанието на статията

Пример:

1id,text2120001,"Fears for T N pension after talks Unions represent..."3120002,"The Race is On: Second Private Team Sets Launch..."4120003,"Ky. Company Wins Grant to Study Peptides (AP)..."

submission.csv

Генерираният файл за подаване трябва да бъде във формат csv и да съдържа следното:

• id – идентификаторът на статията
• label – предсказаната категория

Пример:

1id,label2120001,23120002,34120003,3

Забележки

• Етикетите са цели числови стойности, а тяхното значение трябва да бъде изведено изключително от train.csv.
• Разрешени са всякакви методи за обработка на естествен език и машинно обучение.
• Оценяването на решенията се прави въз основа на точността на предсказанията.

Оценяване

Предсказанията ще бъдат сравнени с реалните етикети и ще се изчисли точността:

1accuracy = (брой_правилни_предсказания / общ_брой_предсказания)

Финалният резултат се изчислява въз основа на получената точност, използвайки следните правила:

• accuracy ≥ 0.98 → 100 точки
• accuracy ≤ 0.9 → 0 точки
• За междинните стойности се дават пропорционални точки между 0 и 100.