Nachrichtenredaktion

Geschichte

Die Redaktion einer internationalen Presseagentur verwaltet täglich tausende von Artikeln aus verschiedenen Bereichen: Wirtschaft, Politik, Wissenschaft, Technologie und Umwelt. Um die Informationen schnell archivieren und verteilen zu können, muss jeder Artikel in eine thematische Kategorie eingeordnet werden.

Aufgrund einer technischen Störung sind die Etiketten einiger aktueller Artikel verloren gegangen. Die Redaktion wendet sich an dich, um ein intelligentes System zu entwickeln, das Nachrichtenartikel automatisch klassifizieren kann basierend auf ihrem Inhalt.

Aufgabe

Es werden zwei Eingabedateien gegeben:

• train.csv – enthält Nachrichtenartikel, für die die Kategorie bekannt ist
• test.csv – enthält Nachrichtenartikel ohne Kategorie

Jeder Artikel wird durch eine eindeutige id identifiziert und hat einen zugehörigen Text.
Mit den Daten aus train.csv musst du ein Klassifikationsmodell erstellen, das die Etikette (label) jedes Artikels aus test.csv vorhersagt.

Das Ergebnis wird in einer Datei submission.csv gespeichert.

Format der Dateien

train.csv

Enthält folgende Spalten:

• id – eindeutige Kennung des Artikels (string, z.B. 000001)
• text – Inhalt des Artikels
• label – Kategorie des Artikels (ganze Zahl)

Beispiel:

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

Enthält folgende Spalten:

• id – eindeutige Kennung
• text – Inhalt des Artikels

Beispiel:

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

Die für die Einreichung generierte Datei muss im csv-Format vorliegen und folgendes enthalten:

• id – Kennung des Artikels
• label – vorhergesagte Kategorie

Beispiel:

1id,label2120001,23120002,34120003,3

Hinweise

• Die Etiketten sind numerische Ganzzahlwerte, und ihre Bedeutung muss ausschließlich aus train.csv abgeleitet werden.
• Alle Methoden der natürlichen Sprachverarbeitung und des maschinellen Lernens sind erlaubt.
• Die Bewertung der Lösungen erfolgt basierend auf der Genauigkeit der Vorhersagen.

Bewertung

Die Vorhersagen werden mit den echten Etiketten verglichen und die Genauigkeit wird berechnet:

1accuracy = (anzahl_korrekte_vorhersagen / anzahl_gesamte_vorhersagen)

Die Endpunktzahl wird basierend auf der erreichten Genauigkeit mit folgenden Regeln berechnet:

• accuracy ≥ 0.98 → 100 Punkte
• accuracy ≤ 0.9 → 0 Punkte
• Für Zwischenwerte wird eine proportionale Punktzahl zwischen 0 und 100 vergeben.