Redakcja wiadomości

Historia

Redakcja międzynarodowej agencji prasowej zarządza codziennie tysiącami artykułów pochodzących z różnych dziedzin: ekonomii, polityki, nauki, technologii i środowiska. Aby móc szybko archiwizować i dystrybuować informacje, każdy artykuł musi zostać przypisany do kategorii tematycznej.

Z powodu awarii technicznej etykiety niektórych najnowszych artykułów zostały utracone. Redakcja zwraca się do Ciebie o zbudowanie inteligentnego systemu, który będzie mógł automatycznie klasyfikować artykuły prasowe na podstawie ich treści.

Zadanie

Podane są dwa pliki wejściowe:

• train.csv – zawiera artykuły prasowe, dla których kategoria jest znana
• test.csv – zawiera artykuły prasowe bez kategorii

Każdy artykuł jest identyfikowany przez unikalny id i ma przypisany tekst.
Używając danych z train.csv, musisz zbudować model klasyfikacji, który przewidzi etykietę (label) każdego artykułu z test.csv.

Wynik zostanie zapisany w pliku submission.csv.

Format plików

train.csv

Zawiera następujące kolumny:

• id – unikalny identyfikator artykułu (string, np. 000001)
• text – treść artykułu
• label – kategoria artykułu (liczba całkowita)

Przykład:

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

Zawiera następujące kolumny:

• id – unikalny identyfikator
• text – treść artykułu

Przykład:

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

Plik wygenerowany do submisji musi być w formacie csv i zawierać następujące:

• id – identyfikator artykułu
• label – przewidziana kategoria

Przykład:

1id,label2120001,23120002,34120003,3

Uwagi

• Etykiety to wartości liczbowe całkowite, a ich znaczenie musi być dedukowane wyłącznie z train.csv.
• Dozwolone są wszelkie metody przetwarzania języka naturalnego i uczenia maszynowego.
• Ocena rozwiązań odbywa się na podstawie dokładności przewidywań.

Ocena

Przewidywania zostaną porównane z rzeczywistymi etykietami i zostanie obliczona dokładność:

1accuracy = (liczba_poprawnych_przewidywań / całkowita_liczba_przewidywań)

Końcowy wynik jest obliczany na podstawie uzyskanej dokładności używając następujących zasad:

• accuracy ≥ 0.98 → 100 punktów
• accuracy ≤ 0.9 → 0 punktów
• Dla wartości pośrednich przyznawane są punkty proporcjonalnie między 0 a 100.