Ziņu redakcija

Stāsts

Starptautiskas preses aģentūras redakcija ikdienā pārvalda tūkstošiem rakstu no dažādām jomām: ekonomika, politika, zinātne, tehnoloģijas un vide. Lai varētu ātri arhivēt un izplatīt informāciju, katrs raksts jāiekļauj tematiskajā kategorijā.

Tehniskas kļūmes dēļ dažu neseno rakstu etiķetes ir pazudušas. Redakcija vēršas pie tevis, lai izveidotu inteliģentu sistēmu, kas spētu automātiski klasificēt ziņu rakstus to satura pamatā.

Prasība

Tiek doti divi ievades faili:

• train.csv – satur ziņu rakstus, kuriem kategorija ir zināma
• test.csv – satur ziņu rakstus bez kategorijas

Katrs raksts ir identificēts ar unikālu id un tam ir piesaistīts teksts.
Izmantojot datus no train.csv, jāizveido klasifikācijas modelis, kas prognozē etiķeti (label) katram rakstam no test.csv.

Rezultāts tiks saglabāts failā submission.csv.

Failu formāts

train.csv

Satur šādas kolonnas:

• id – unikāls raksta identifikators (string, piem. 000001)
• text – raksta saturs
• label – raksta kategorija (vesels skaitlis)

Piemērs:

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

Satur šādas kolonnas:

• id – unikāls identifikators
• text – raksta saturs

Piemērs:

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

Iesniedzamais fails jāveido csv formātā un jāsatur:

• id – raksta identifikators
• label – prognozētā kategorija

Piemērs:

1id,label2120001,23120002,34120003,3

Novērojumi

• Etiķetes ir veselu skaitļu vērtības, un to nozīme jāizved tikai no train.csv.
• Ir atļautas jebkuras dabiskās valodas apstrādes un mašīnmācīšanās metodes.
• Risinājumu novērtēšana notiek, pamatojoties uz prognožu precizitāti.

Novērtēšana

Prognozes tiks salīdzinātas ar reālajām vērtībām un tiks aprēķināta precizitāte:

1accuracy = (pareizo_prognožu_skaits / kopējais_prognožu_skaits)

Galīgais punktu skaits tiek aprēķināts, pamatojoties uz iegūto precizitāti, izmantojot šādus noteikumus:

• accuracy ≥ 0.98 → 100 punkti
• accuracy ≤ 0.9 → 0 punkti
• Starppvērtībām tiek piešķirts proporcionāls punktu skaits starp 0 un 100.