Runojen tekijän tunnistaminen

Ongelman kuvaus

Tarjotaan tietojoukko romanialaisista runoista, joista jokainen on kirjoittanut yksi seitsemästä kirjailijasta. Runot on myöhemmin jaettu ryhmiin, joissa on 4 säettä.

Seitsemän kirjailijaa ovat:

• Ana Blandiana
• George Bacovia
• George Toparceanu
• Grigore Vieru
• Lucian Blaga
• Mihai Eminescu
• Vasile Alecsandri

Neljän säkeen ryhmä voi edustaa:

• Täydellistä säkeistöä (nelisäkeistö)
• Osaa suuremmasta säkeistöstä (5, 6, 7 säettä, jne.)
• Yhdistelmää säkeistön viimeisistä riveistä ja seuraavan säkeistön ensimmäisistä riveistä

Ongelman tavoite on rakentaa malli, joka pystyy ennustamaan neljän säkeen ryhmän kirjailijan.

Käytettävissä olevat tiedostot

train.csv

Harjoitustietojoukko, joka sisältää seuraavat sarakkeet:

• Id – yksilöllinen tunniste säeryhmälle
• Versuri – 4 säkeen sisältö
• Autor – säkeiden kirjailija

Esimerkki:

test.csv

Testitietojoukko, joka ei sisällä Autor-saraketta:

• Id – yksilöllinen tunniste
• Versuri – 4 säkeen sisältö

Esimerkki:

Palautustiedoston muoto

Palautustiedoston tulee olla CSV seuraavilla sarakkeilla:

• Id – säeryhmän tunniste
• Autor – ennustettu kirjailija

Esimerkki:

Huomautukset

• Mallit voivat käyttää mitä tahansa luonnollisen kielen käsittelyn ja koneoppimisen tekniikkaa.
• Arviointi tehdään ennusteiden tarkkuuden perusteella.

Arviointi

Ennustuksia verrataan todellisiin kieliin ja lasketaan tarkkuus:

1accuracy = (oikeiden_ennusteiden_määrä / ennusteiden_kokonaismäärä)

Lopullinen pistemäärä lasketaan saavutetun tarkkuuden perusteella käyttäen seuraavia sääntöjä:

• accuracy ≥ 0.9 → 100 pistettä
• accuracy ≤ 0.5 → 0 pistettä
• Väliarvoille myönnetään suhteellinen pistemäärä 0:n ja 100:n väliltä.