Redacción de noticias

Historia

La redacción de una agencia internacional de prensa gestiona diariamente miles de artículos provenientes de dominios variados: economía, política, ciencia, tecnología y medio ambiente. Para poder archivar y distribuir rápidamente las informaciones, cada artículo debe ser encuadrado en una categoría temática.

Debido a una falla técnica, las etiquetas de algunos artículos recientes se han perdido. La redacción recurre a ti para construir un sistema inteligente que pueda clasificar automáticamente los artículos de noticias basándose en su contenido.

Requerimiento

Se dan dos archivos de entrada:

• train.csv – contiene artículos de noticias para los cuales la categoría es conocida
• test.csv – contiene artículos de noticias sin categoría

Cada artículo está identificado por un id único y tiene asociado un texto.
Usando los datos de train.csv, debes construir un modelo de clasificación que prediga la etiqueta (label) de cada artículo de test.csv.

El resultado será guardado en un archivo submission.csv.

Formato de los archivos

train.csv

Contiene las siguientes columnas:

• id – identificador único del artículo (string, ej. 000001)
• text – contenido del artículo
• label – categoría del artículo (número entero)

Ejemplo:

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

Contiene las siguientes columnas:

• id – identificador único
• text – contenido del artículo

Ejemplo:

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

El archivo generado para la submisión debe estar en formato csv y contener lo siguiente:

• id – identificador del artículo
• label – categoría predicha

Ejemplo:

1id,label2120001,23120002,34120003,3

Observaciones

• Las etiquetas son valores numéricos enteros, y su significado debe ser deducido exclusivamente de train.csv.
• Se permiten cualquier método de procesamiento de lenguaje natural y de aprendizaje automático.
• La evaluación de las soluciones se hace basándose en la exactitud de las predicciones.

Evaluación

Las predicciones serán comparadas con las etiquetas reales y se calculará la exactitud:

1accuracy = (numero_predicciones_correctas / numero_total_predicciones)

El puntaje final se calcula basándose en la exactitud obtenida usando las siguientes reglas:

• accuracy ≥ 0.98 → 100 puntos
• accuracy ≤ 0.9 → 0 puntos
• Para los valores intermedios se otorga puntaje proporcional entre 0 y 100.