一、数据集
竞赛数据集:pandas
大数据:spark
二、评估:多分类问题的机器学习竞赛常常将F1-score作为最终的测评方法。
其中:
TP(True Positive):正样本预测为正样本的个数
FP(True Positive):将负样本预测为正样本的个数
FN(True Positive):将正样本预测为负样本的个数
三、解题思路
赛题思路分析
本质是一个文本分类问题,需要根据每句的字符进行分类。但赛题给出的数据是匿名化的,不能直接使用中文分词等操作,这个是赛题的难点。因此本次赛题的难点是需要对匿名字符进行建模,进而完成文本分类的过程。由于文本数据是一种典型的非结构化数据,因此可能涉及到特征提取和分类模型两个部分。进行分类可通过四种方法:
- 思路1:TF-IDF + 机器学习分类 — 直接使用TF-IDF对文本提取特征,并使用分类器进行分类。在分类器的选择上,可以使用SVM、LR、或者XGBoost。
- 思路2:FastText — FastText是入门款的词向量,利用Facebook提供的FastText工具,可以快速构建出分类器。
- 思路3:WordVec + 深度学习分类器 — WordVec是进阶款的词向量,并通过构建深度学习分类完成分类。深度学习分类的网络结构可以选择TextCNN、TextRNN或者BiLSTM。
- 思路4:Bert词向量 — Bert是高配款的词向量,具有强大的建模学习能力。