Klassificering av texter i tematiska kategorier

📰 Klassificering av texter i tematiska kategorier

📘 Problembeskrivning

Målet är att bygga en textklassificeringsmodell som tilldelar varje nyhet en av de tre tematiska kategorierna:

• WELLNESS
• ENTERTAINMENT
• POLITICS

Modellen ska lära sig baserat på träningstext och förutsäga etiketten (label) för nya texter.

Detta är ett problem med multi-klass klassificering (multi-class classification).

---

🔹 Datastruktur

train.csv

Innehåller texten och motsvarande kategori (etikett).
Varje rad representerar en nyhet.

SampleID	text	label
139768	Take a Presence Power Break (The New Coffee Break) As soon as you honor the present moment...	WELLNESS
297	Yolanda Hadid Returns To Social Media After 9-Month Break For Depression, Lyme Relapse...	ENTERTAINMENT
2274	Democrats Want Paid Sick Days, Breaks For Domestic Workers...	POLITICS

---

test.csv

Innehåller endast texterna för vilka förutsägelser ska göras.

SampleID	text
106057	Taylor Swift Calls Out Sexist Critics Again

---

📤 Inlämning

Utdatafilen ska heta submission.csv och innehålla två kolumner:

• SampleID — textens unika identifierare
• label — kategorin som förutsagts av modellen (WELLNESS, ENTERTAINMENT eller POLITICS)

Exempel:

SampleID	label
106057	ENTERTAINMENT
297	ENTERTAINMENT
2274	POLITICS

---

⚙️ Utvärdering

Modellernas prestanda kommer att mätas med macro F1-score, ett balanserat mått för multi-klass klassificering:

där:

• 
• 

Den slutliga poängen beräknas som aritmetiskt medelvärde av F1-poängen för alla klasser.

---

📊 Källa

Datasetet är härlett från en samling nyheter med olika teman (välbefinnande, underhållning, politik), som kommer från offentliga mediaplattformar.

---

🗂️ Användbara resurser

• Komplett Starter Kit – innehåller ett skelett som du kan utgå från för att lösa problemet