Szövegek tematikus kategóriákba sorolása

📰 Szövegek tematikus kategóriákba sorolása

📘 A probléma leírása

Egy szövegklasszifikációs modell építése a cél, amely minden hírnek a három tematikus kategória egyikét rendeli hozzá:

• WELLNESS
• ENTERTAINMENT
• POLITICS

A modellnek a tanító szövegek alapján kell tanulnia és új szövegekhez előre jelezni a címkét (label).

Ez egy többosztályos klasszifikációs (multi-class classification) probléma.

---

🔹 Az adatok szerkezete

train.csv

Tartalmazza a szöveget és a megfelelő kategóriát (címkét).
Minden sor egy hírt reprezentál.

SampleID	text	label
139768	Take a Presence Power Break (The New Coffee Break) As soon as you honor the present moment...	WELLNESS
297	Yolanda Hadid Returns To Social Media After 9-Month Break For Depression, Lyme Relapse...	ENTERTAINMENT
2274	Democrats Want Paid Sick Days, Breaks For Domestic Workers...	POLITICS

---

test.csv

Csak azokat a szövegeket tartalmazza, amelyekhez előrejelzést kell készíteni.

SampleID	text
106057	Taylor Swift Calls Out Sexist Critics Again

---

📤 Beküldés

A kimeneti fájlnak submission.csv névvel kell rendelkeznie és két oszlopot kell tartalmaznia:

• SampleID — a szöveg egyedi azonosítója
• label — a modell által előrejelzett kategória (WELLNESS, ENTERTAINMENT vagy POLITICS)

Példa:

SampleID	label
106057	ENTERTAINMENT
297	ENTERTAINMENT
2274	POLITICS

---

⚙️ Értékelés

A modellek teljesítményét macro F1-score segítségével mérjük, amely egy kiegyensúlyozott metrika a többosztályos klasszifikációhoz:

ahol:

• 
• 

A végső pontszám az összes osztály F1-score-jainak számtani átlaga.

---

📊 Forrás

Az adathalmaz különböző témájú hírek (jólét, szórakozás, politika) gyűjteményéből származik, nyilvános médiaplatformokról.

---

🗂️ Hasznos források

• Teljes Starter Kit – tartalmaz egy vázat, amelyből kiindulhatnak a probléma megoldásában