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。