Nyhetsredaksjon

Historie

Redaksjonen til et internasjonalt pressebyråd håndterer daglig tusenvis av artikler fra ulike områder: økonomi, politikk, vitenskap, teknologi og miljø. For å kunne arkivere og distribuere informasjonen raskt, må hver artikkel plasseres i en tematisk kategori.

På grunn av en teknisk feil har etikettene til noen nylige artikler gått tapt. Redaksjonen henvender seg til deg for å bygge et intelligent system som kan klassifisere nyhetsartikler automatisk basert på innholdet deres.

Krav

Det gis to inndatafiler:

• train.csv – inneholder nyhetsartikler hvor kategorien er kjent
• test.csv – inneholder nyhetsartikler uten kategori

Hver artikkel er identifisert med en unik id og har tilknyttet tekst.
Ved å bruke dataene fra train.csv, må du bygge en klassifiseringsmodell som predikerer etiketten (label) til hver artikkel i test.csv.

Resultatet skal lagres i en fil submission.csv.

Filformat

train.csv

Inneholder følgende kolonner:

• id – unik identifikator for artikkelen (string, f.eks. 000001)
• text – innholdet i artikkelen
• label – kategorien til artikkelen (heltall)

Eksempel:

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

Inneholder følgende kolonner:

• id – unik identifikator
• text – innholdet i artikkelen

Eksempel:

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

Filen som genereres for innlevering må være i csv-format og inneholde følgende:

• id – identifikatoren til artikkelen
• label – predikert kategori

Eksempel:

1id,label2120001,23120002,34120003,3

Merknader

• Etikettene er numeriske heltallsverdier, og betydningen deres må utledes utelukkende fra train.csv.
• Alle metoder for naturlig språkbehandling og maskinlæring er tillatt.
• Evaluering av løsninger gjøres basert på nøyaktigheten av prediksjoner.

Evaluering

Prediksjoner vil bli sammenlignet med de faktiske etikettene og nøyaktigheten vil bli beregnet:

1accuracy = (antall_korrekte_prediksjoner / totalt_antall_prediksjoner)

Endelig poengsum beregnes basert på oppnådd nøyaktighet ved hjelp av følgende regler:

• accuracy ≥ 0.98 → 100 poeng
• accuracy ≤ 0.9 → 0 poeng
• For mellomverdier tildeles poeng proporsjonalt mellom 0 og 100.