Redação de notícias

História

A redação de uma agência internacional de imprensa gerencia diariamente milhares de artigos provenientes de domínios variados: economia, política, ciência, tecnologia e meio ambiente. Para poder arquivar e distribuir rapidamente as informações, cada artigo deve ser enquadrado numa categoria temática.

Devido a uma falha técnica, as etiquetas de alguns artigos recentes foram perdidas. A redação recorre a ti para construir um sistema inteligente que possa classificar automaticamente os artigos de notícias com base no seu conteúdo.

Requisito

São dados dois ficheiros de entrada:

• train.csv – contém artigos de notícias para os quais a categoria é conhecida
• test.csv – contém artigos de notícias sem categoria

Cada artigo é identificado por um id único e tem associado um texto.
Usando os dados de train.csv, deves construir um modelo de classificação que preveja a etiqueta (label) de cada artigo de test.csv.

O resultado será guardado num ficheiro submission.csv.

Formato dos ficheiros

train.csv

Contém as seguintes colunas:

• id – identificador único do artigo (string, ex. 000001)
• text – conteúdo do artigo
• label – categoria do artigo (número inteiro)

Exemplo:

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

Contém as seguintes colunas:

• id – identificador único
• text – conteúdo do artigo

Exemplo:

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

O ficheiro gerado para submissão deve estar em formato csv e conter o seguinte:

• id – identificador do artigo
• label – categoria prevista

Exemplo:

1id,label2120001,23120002,34120003,3

Observações

• As etiquetas são valores numéricos inteiros, e o seu significado deve ser deduzido exclusivamente de train.csv.
• São permitidos quaisquer métodos de processamento de linguagem natural e de aprendizagem automática.
• A avaliação das soluções é feita com base na precisão das previsões.

Avaliação

As previsões serão comparadas com as etiquetas reais e será calculada a precisão:

1accuracy = (numero_previsões_corretas / numero_total_previsões)

A pontuação final é calculada com base na precisão obtida usando as seguintes regras:

• accuracy ≥ 0.98 → 100 pontos
• accuracy ≤ 0.9 → 0 pontos
• Para valores intermédios é atribuída pontuação proporcional entre 0 e 100.