学姐前面说过打比赛要越早开始越好，其原因详细写在了文章里，没赶上热乎的同学们可以关注【学姐带你玩AI】公众号在看看这篇文章——Kaggle比赛越早开始越好，为什么？

劝大家早早打比赛，肯定也要教大家打！所以今天就给大家详细讲解一个比赛的模型搭建的思路和代码。

01 赛题名称

基于文本挖掘的企业隐患排查质量分析模型

02 赛题背景

企业自主填报安全生产隐患，对于将风险消除在事故萌芽阶段具有重要意义。企业在填报隐患时，往往存在不认真填报的情况，“虚报、假报”隐患内容，增大了企业监管的难度。

采用大数据手段分析隐患内容，找出不切实履行主体责任的企业，向监管部门进行推送，实现精准执法，能够提高监管手段的有效性，增强企业安全责任意识。

03 赛题任务

本赛题提供企业填报隐患数据，参赛选手需通过智能化手段识别其中是否存在“虚报、假报”的情况。

看清赛题很关键，大家需要好好理解赛题目标之后，再去做题，可以避免很多弯路。

数据简介

本赛题数据集为脱敏后的企业填报自查隐患记录。

04 数据说明

训练集数据包含“【id、level_1（一级标准）、level_2（二级标准）、level_3（三级标准）、level_4（四级标准）、content（隐患内容）和label（标签）】”共7个字段。

其中“id”为主键，无业务意义；“一级标准、二级标准、三级标准、四级标准”为《深圳市安全隐患自查和巡查基本指引（2016年修订版）》规定的排查指引，一级标准对应不同隐患类型，二至四级标准是对一级标准的细化，企业自主上报隐患时，根据不同类型隐患的四级标准开展隐患自查工作；“隐患内容”为企业上报的具体隐患；“标签”标识的是该条隐患的合格性，“1”表示隐患填报不合格，“0”表示隐患填报合格。

预测结果文件results.csv

• 文件名：results.csv，utf-8编码

• 参赛者以csv/json等文件格式，提交模型结果，平台进行在线评分，实时排名。

05 评测标准

本赛题采用F1 -score作为模型评判标准。

精确率P、召回率 R和 F1-score计算公式如下所示:

06 数据分析

• 查看数据集

训练集数据包含“【id、level_1（一级标准）、level_2（二级标准）、level_3（三级标准）、level_4（四级标准）、content（隐患内容）和label（标签）】”共7个字段。测试集没有label字段

• 标签分布

我们看下数据标签数量分布，看看有多少在划水哈哈

在训练集12000数据中，其中隐患填报合格的有10712条，隐患填报不合格的有1288条，差不多是9:1的比例，说明我们分类任务标签分布式极其不均衡的。

• 文本长度分布

我们将level_和content的文本拼接在一起

然后查看下文本最大长度分布

07 基于BERT的企业隐患排查质量分析模型

完整代码可以公众号后台回复“BERT”获取

7.1 导入工具包

7.2 设置参数

7.3 定义模型

7.4 生成数据

7.5 训练和验证

完整代码关注公众号后台回复“bert”获取

打比赛，要组队！就联系学姐，干货，思路统统都有，点个赞再走呗！