Naujienų redakcija

Istorija

Tarptautinės spaudos agentūros redakcija kasdien tvarko tūkstančius straipsnių iš įvairių sričių: ekonomikos, politikos, mokslo, technologijų ir aplinkos. Kad galėtų greitai archyvuoti ir platinti informaciją, kiekvienas straipsnis turi būti priskirtas teminei kategorijai.

Dėl techninio gedimo kai kurių naujausių straipsnių etiketės buvo prarastos. Redakcija kreipiasi į tave, kad sukurtum protingą sistemą, kuri galėtų automatiškai klasifikuoti naujienų straipsnius pagal jų turinį.

Reikalavimas

Pateikiami du įvesties failai:

• train.csv – yra naujienų straipsniai, kurių kategorija žinoma
• test.csv – yra naujienų straipsniai be kategorijos

Kiekvienas straipsnis identifikuojamas unikaliu id ir turi susietą tekstą.
Naudodamas duomenis iš train.csv, turi sukurti klasifikavimo modelį, kuris prognozuotų etiketę (label) kiekvienam straipsniui iš test.csv.

Rezultatas bus išsaugotas faile submission.csv.

Failų formatas

train.csv

Turi šiuos stulpelius:

• id – unikalus straipsnio identifikatorius (string, pvz. 000001)
• text – straipsnio turinys
• label – straipsnio kategorija (sveikasis skaičius)

Pavyzdys:

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

Turi šiuos stulpelius:

• id – unikalus identifikatorius
• text – straipsnio turinys

Pavyzdys:

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

Pateikimui sugeneruotas failas turi būti csv formatu ir turėti:

• id – straipsnio identifikatorius
• label – prognozuojama kategorija

Pavyzdys:

1id,label2120001,23120002,34120003,3

Pastabos

• Etiketės yra sveikųjų skaičių reikšmės, o jų reikšmė turi būti išvesta tik iš train.csv.
• Leidžiami bet kokie natūralios kalbos apdorojimo ir mašininio mokymosi metodai.
• Sprendimų vertinimas atliekamas pagal prognozių tikslumą.

Vertinimas

Prognozės bus palygintos su tikrosiomis reikšmėmis ir bus apskaičiuotas tikslumas:

1accuracy = (teisingų_prognozių_skaičius / bendras_prognozių_skaičius)

Galutinis balas apskaičiuojamas pagal gautą tikslumą naudojant šias taisykles:

• accuracy ≥ 0.98 → 100 balų
• accuracy ≤ 0.9 → 0 balų
• Tarpinėms reikšmėms skiriamas proporcionalus balas nuo 0 iki 100.