Rédaction de nouvelles

Histoire

La rédaction d'une agence internationale de presse gère quotidiennement des milliers d'articles provenant de domaines variés : économie, politique, science, technologie et environnement. Pour pouvoir archiver et distribuer rapidement les informations, chaque article doit être classé dans une catégorie thématique.

À cause d'une défaillance technique, les étiquettes de certains articles récents ont été perdues. La rédaction fait appel à toi pour construire un système intelligent qui puisse classifier automatiquement les articles de presse sur la base de leur contenu.

Exigence

Deux fichiers d'entrée sont donnés :

• train.csv – contient des articles de presse pour lesquels la catégorie est connue
• test.csv – contient des articles de presse sans catégorie

Chaque article est identifié par un id unique et a un texte associé.
En utilisant les données de train.csv, tu dois construire un modèle de classification qui prédise l'étiquette (label) de chaque article de test.csv.

Le résultat sera sauvegardé dans un fichier submission.csv.

Format des fichiers

train.csv

Contient les colonnes suivantes :

• id – identifiant unique de l'article (string, ex. 000001)
• text – contenu de l'article
• label – catégorie de l'article (nombre entier)

Exemple :

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

Contient les colonnes suivantes :

• id – identifiant unique
• text – contenu de l'article

Exemple :

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

Le fichier généré pour la soumission doit être au format csv et contenir ce qui suit :

• id – identifiant de l'article
• label – catégorie prédite

Exemple :

1id,label2120001,23120002,34120003,3

Observations

• Les étiquettes sont des valeurs numériques entières, et leur signification doit être déduite exclusivement de train.csv.
• Toutes les méthodes de traitement du langage naturel et d'apprentissage automatique sont autorisées.
• L'évaluation des solutions se fait sur la base de la précision des prédictions.

Évaluation

Les prédictions seront comparées aux vraies étiquettes et la précision sera calculée :

1accuracy = (nombre_prédictions_correctes / nombre_total_prédictions)

Le score final est calculé sur la base de la précision obtenue en utilisant les règles suivantes :

• accuracy ≥ 0.98 → 100 points
• accuracy ≤ 0.9 → 0 points
• Pour les valeurs intermédiaires, un score proportionnel entre 0 et 100 est accordé.