Redakce zpráv

Příběh

Redakce mezinárodní tiskové agentury denně spravuje tisíce článků z různých oblastí: ekonomie, politika, věda, technologie a životní prostředí. Aby mohla rychle archivovat a distribuovat informace, musí být každý článek zařazen do tematické kategorie.

Kvůli technické poruše byly ztraceny štítky některých nedávných článků. Redakce se na tebe obrací, abys vytvořil inteligentní systém, který dokáže automaticky klasifikovat zpravodajské články na základě jejich obsahu.

Zadání

Jsou dány dva vstupní soubory:

• train.csv – obsahuje zpravodajské články, pro které je kategorie známa
• test.csv – obsahuje zpravodajské články bez kategorie

Každý článek je identifikován jedinečným id a má přiřazený text.
Pomocí dat z train.csv musíš vytvořit klasifikační model, který předpoví štítek (label) každého článku z test.csv.

Výsledek bude uložen do souboru submission.csv.

Formát souborů

train.csv

Obsahuje následující sloupce:

• id – jedinečný identifikátor článku (string, např. 000001)
• text – obsah článku
• label – kategorie článku (celé číslo)

Příklad:

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

Obsahuje následující sloupce:

• id – jedinečný identifikátor
• text – obsah článku

Příklad:

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

Soubor generovaný pro odevzdání musí být ve formátu csv a obsahovat následující:

• id – identifikátor článku
• label – předpovězená kategorie

Příklad:

1id,label2120001,23120002,34120003,3

Poznámky

• Štítky jsou celočíselné hodnoty a jejich význam musí být odvozen výhradně z train.csv.
• Jsou povoleny jakékoli metody zpracování přirozeného jazyka a strojového učení.
• Hodnocení řešení se provádí na základě přesnosti předpovědí.

Hodnocení

Předpovědi budou porovnány se skutečnými štítky a vypočítá se přesnost:

1accuracy = (počet_správných_předpovědí / celkový_počet_předpovědí)

Finální skóre je vypočítáno na základě dosažené přesnosti podle následujících pravidel:

• accuracy ≥ 0.98 → 100 bodů
• accuracy ≤ 0.9 → 0 bodů
• Pro mezilehlé hodnoty se uděluje skóre úměrně mezi 0 a 100.