საინფორმაციო რედაქცია

ამბავი

საერთაშორისო საინფორმაციო სააგენტოს რედაქცია ყოველდღიურად მართავს ათასობით სტატიას სხვადასხვა სფეროდან: ეკონომიკა, პოლიტიკა, მეცნიერება, ტექნოლოგია და გარემო. ინფორმაციის სწრაფად დაარქივებისა და გავრცელების მიზნით, თითოეული სტატია უნდა მოექცეს თემატურ კატეგორიაში.

ტექნიკური ხარვეზის გამო, ზოგიერთი ბოლოდროინდელი სტატიის ეტიკეტები დაიკარგა. რედაქცია შენს დახმარებას ითხოვს ინტელექტუალური სისტემის ასაშენებლად, რომელსაც შეეძლება ავტომატურად კლასიფიცირება სიახლეების სტატიების მათი შინაარსის საფუძველზე.

მოთხოვნა

მოცემულია ორი შესავალი ფაილი:

• train.csv – შეიცავს სიახლეების სტატიებს, რომელთა კატეგორია ცნობილია
• test.csv – შეიცავს სიახლეების სტატიებს კატეგორიის გარეშე

თითოეული სტატია იდენტიფიცირებულია უნიკალური id-ით და აქვს მიბმული ტექსტი.
train.csv-ის მონაცემების გამოყენებით, უნდა ააშენო კლასიფიკაციის მოდელი, რომელიც პროგნოზირებს ეტიკეტს (label) test.csv-ის თითოეული სტატიისთვის.

შედეგი შეინახება submission.csv ფაილში.

ფაილების ფორმატი

train.csv

შეიცავს შემდეგ სვეტებს:

• id – სტატიის უნიკალური იდენტიფიკატორი (string, მაგ. 000001)
• text – სტატიის შინაარსი
• label – სტატიის კატეგორია (მთელი რიცხვი)

მაგალითი:

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

შეიცავს შემდეგ სვეტებს:

• id – უნიკალური იდენტიფიკატორი
• text – სტატიის შინაარსი

მაგალითი:

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

წარდგენისთვის გენერირებული ფაილი უნდა იყოს csv ფორმატში და შეიცავდეს შემდეგს:

• id – სტატიის იდენტიფიკატორი
• label – პროგნოზირებული კატეგორია

მაგალითი:

1id,label2120001,23120002,34120003,3

შენიშვნები

• ეტიკეტები არის რიცხვითი მთელი მნიშვნელობები, ხოლო მათი მნიშვნელობა უნდა გამოვლინდეს მხოლოდ train.csv-დან.
• ნებადართულია ბუნებრივი ენის დამუშავებისა და მანქანური სწავლების ნებისმიერი მეთოდი.
• გადაწყვეტილებების შეფასება ხდება პროგნოზების სიზუსტის საფუძველზე.

შეფასება

პროგნოზები შედარდება რეალურ ეტიკეტებთან და გამოითვლება სიზუსტე:

1accuracy = (სწორი_პროგნოზების_რაოდენობა / მთლიანი_პროგნოზების_რაოდენობა)

საბოლოო ქულა გამოითვლება მიღებული სიზუსტის საფუძველზე შემდეგი წესების გამოყენებით:

• accuracy ≥ 0.98 → 100 ქულა
• accuracy ≤ 0.9 → 0 ქულა
• შუალედური მნიშვნელობებისთვის ენიჭება პროპორციული ქულა 0-სა და 100-ს შორის.