新闻编辑部

故事

一家国际新闻机构的编辑部每天管理着来自各个领域的数千篇文章：经济、政治、科学、技术和环境。为了能够快速归档和分发信息，每篇文章都需要归入一个主题类别。

由于技术故障，一些最近文章的标签丢失了。编辑部求助于你来构建一个智能系统，能够基于内容自动分类新闻文章。

要求

给定两个输入文件：

• train.csv – 包含已知类别的新闻文章
• test.csv – 包含无类别的新闻文章

每篇文章通过唯一的id标识，并有关联的文本。
使用train.csv中的数据，你需要构建一个分类模型来预测test.csv中每篇文章的标签（label）。

结果将保存在**submission.csv**文件中。

文件格式

train.csv

包含以下列：

• id – 文章的唯一标识符（字符串，例如000001）
• text – 文章内容
• label – 文章类别（整数）

示例：

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

包含以下列：

• id – 唯一标识符
• text – 文章内容

示例：

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

提交的生成文件必须是csv格式，包含以下内容：

• id – 文章标识符
• label – 预测的类别

示例：

1id,label2120001,23120002,34120003,3

注意事项

• 标签是整数值，其含义必须仅从train.csv中推断。
• 允许使用任何自然语言处理和机器学习方法。
• 解决方案的评估基于预测准确率。

评估

预测结果将与真实标签进行比较，计算准确率：

1accuracy = (正确预测数量 / 总预测数量)

最终分数基于获得的准确率使用以下规则计算：

• accuracy ≥ 0.98 → 100分
• accuracy ≤ 0.9 → 0分
• 对于中间值，按0到100之间的比例给分。