A verssorok szerzőjének azonosítása

A probléma leírása

Adott egy román nyelvű versekkel kapcsolatos adathalmaz, amelyet 7 szerző egyike írt. A verseket később 4 soros csoportokra osztották fel.

A 7 szerző:

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

Egy 4 soros csoport a következőket jelentheti:

• Egy teljes versszak (négysoros)
• Egy nagyobb versszak része (5, 6, 7 sor, stb.)
• Egy versszak utolsó sorai és a következő versszak első sorainak kombinációja

A probléma célja egy olyan modell építése, amely képes megjósolni egy 4 soros csoport szerzőjét.

Elérhető fájlok

train.csv

A tanítási adathalmaz, amely a következő oszlopokat tartalmazza:

• Id – egyedi azonosító a sorcsoport számára
• Versuri – 4 sor tartalma
• Autor – a sorok szerzője

Példa:

test.csv

A tesztelési adathalmaz, amely nem tartalmazza az Autor oszlopot:

• Id – egyedi azonosító
• Versuri – 4 sor tartalma

Példa:

A beküldési fájl formátuma

A beküldési fájlnak CSV formátumúnak kell lennie a következő oszlopokkal:

• Id – a sorcsoport azonosítója
• Autor – a megjósolt szerző

Példa:

Megjegyzések

• A modellek bármilyen természetes nyelvfeldolgozási és gépi tanulási technikát használhatnak.
• Az értékelés a jóslatok pontossága alapján történik.

Értékelés

A jóslatokat összehasonlítják a valós címkékkel és kiszámítják a pontosságot:

1accuracy = (helyes_jóslatok_száma / összes_jóslat_száma)

A végső pontszám a kapott pontosság alapján kerül kiszámításra a következő szabályok szerint:

• accuracy ≥ 0.9 → 100 pont
• accuracy ≤ 0.5 → 0 pont
• A köztes értékekre arányosan 0 és 100 között adnak pontot.