Nyhetsredaktion

Berättelse

Redaktionen för en internationell pressbyrå hanterar dagligen tusentals artiklar från olika områden: ekonomi, politik, vetenskap, teknik och miljö. För att kunna arkivera och distribuera informationen snabbt måste varje artikel kategoriseras inom en tematisk kategori.

På grund av ett tekniskt fel har etiketterna för vissa nyliga artiklar förlorats. Redaktionen vänder sig till dig för att bygga ett intelligent system som kan automatiskt klassificera nyhetsartiklar baserat på deras innehåll.

Uppgift

Två indatafiler ges:

• train.csv – innehåller nyhetsartiklar för vilka kategorin är känd
• test.csv – innehåller nyhetsartiklar utan kategori

Varje artikel identifieras genom ett unikt id och har en associerad text.
Med hjälp av data från train.csv ska du bygga en klassificeringsmodell som förutsäger etiketten (label) för varje artikel i test.csv.

Resultatet ska sparas i en fil submission.csv.

Filformat

train.csv

Innehåller följande kolumner:

• id – unik identifierare för artikeln (string, ex. 000001)
• text – artikelns innehåll
• label – artikelns kategori (heltal)

Exempel:

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

Innehåller följande kolumner:

• id – unik identifierare
• text – artikelns innehåll

Exempel:

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

Den genererade filen för inlämning ska vara i csv-format och innehålla följande:

• id – artikelns identifierare
• label – förutsagd kategori

Exempel:

1id,label2120001,23120002,34120003,3

Observationer

• Etiketterna är numeriska heltalsvärden, och deras betydelse måste härledas uteslutande från train.csv.
• Alla metoder för naturlig språkbehandling och maskininlärning är tillåtna.
• Utvärdering av lösningar sker baserat på noggrannheten av förutsägelserna.

Utvärdering

Förutsägelserna kommer att jämföras med de verkliga etiketterna och noggrannheten beräknas:

1accuracy = (antal_korrekta_förutsägelser / totalt_antal_förutsägelser)

Slutpoängen beräknas baserat på den uppnådda noggrannheten enligt följande regler:

• accuracy ≥ 0.98 → 100 poäng
• accuracy ≤ 0.9 → 0 poäng
• För mellanliggande värden tilldelas poäng proportionellt mellan 0 och 100.