👋🛳️ Hello here! welcome to Kaggle!
Difficulty: Medium (Less guidance)
New Intro
** For those new to Kaggle ** watch the video below to see how a competition goes normally
[](https://www.youtube.com/watch?v=CM2VskTenJc)
Once you are ready to start the competition, click on the
[Join competition](https://www.kaggle.com/c/codeml-challenge4)
button to create an account and access the
[competition data](https://www.kaggle.com/c/codeml-challenge4/data)
. Next, check out the tutorial
[Titanic by Alexis Cook](https://www.kaggle.com/alexisbcook/titanic-tutorial)
which takes you step by step on how to make your first submission!  and also that of
[Notebook Yassine Ghouzam](https://www.kaggle.com/yassineghouzam/titanic-top-4-with-ensemble-modeling)
The challenge:
Consumers have left comments (texts) of the last product they just used. We would like to know if it is possible to determine if the comments are positive or negative in the future for other products.
This challenge is simple: use machine learning techniques to create a model that predicts what the positive or negative feedback is on using old feedback collected
So the data here is text and what you will do is close to the branch of machine learning language processing
.
A notebook is given in the Notebook section and it contains a start of the word processing that you can do before sorting the text (it is just a track not the solution)
This model that you will allow us in the future to have an automatic positive or negative feedback because the comments will immediately go through your algorithm
Presentation of how Kaggle competitions work
1.Join the competition
Read the challenge description, accept the contest rules and access the contest dataset.
2.Start working
Download the data, create models on it locally or on Kaggle Kernels (our Jupyter Notebooks environment without configuration and customizable) and generate a prediction file. You can also work locally on your computer directly, we will only ask for the prediction files
3. Make a submission
Upload your prediction as a quote on Kaggle and receive an accuracy score.
4. Look at the Leaderboard
See how your model ranks against other Kagglers in our rankings.
5. Increase your score
Check out the
[discussion board](https://www.kaggle.com/c/codeml-challenge4/discussion)
for lots of tutorials and ideas from other competitors.
What data will I use in this contest?
In this competition you will have access to 3 similar datasets which include the text comment to classify. One dataset is titled `train.txt` and the other titled` label.txt` and the last one `test.txt`.
train.txt
- training data, separate comments with newlines \ n
train_label.txt
- training responses, class comments in the same order as the texts in separate train.txt with newlines \ n
test.txt
- data for the test always comments separated by newlines
Using your models and the train.txt data, predict whether any comments in test.cv are positive or not.
Visit the
[“Data”](https://www.kaggle.com/c/codeml-challenge4/data)
competition tab to explore the datasets even further. Once you feel you've created a competitive model, submit it to Kaggle to see where your model stands in our rankings against other Kagglers.
How to submit your prediction to Kaggle
Once you are ready to submit an application and be in the leaderboard:
1. Click on the "Submit predictions" button
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2Fcbd6642aa72d7264b912eb7b192ef4d5%2Fscreen1.png?generation=1600955792312915&alt=media)
2. Upload a CSV file in the submission file format. You can submit 10 submissions per day.
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2F4e5c05145c265cab77bf2f7349803ea1%2Fscreen2.png?generation=1600955792270010&alt=media)
Format of the submission file
You must submit a csv file with exactly the number of lines as test.csv and more than one header line. Your submission will display an error if you have additional columns or rows.
The file must have exactly 2 columns:
- TextId (sorted in any order)
- Rating (Positive or negative) (contains your binary predictions: 1 for positive, 0 for negative)
Ok! I am ready to begin. Where can I get help if I need it?
For help with the contest:
[Discussion forum](https://www.kaggle.com/c/codeml-challenge4/discussion)
of the competition
Technical help: page
[Contact us Kaggle](https://www.kaggle.com/contact)
Kaggle does not have a dedicated support team, so you will generally find that you receive a response more quickly by posting your question in the appropriate forum. The forums are full of useful information on data, metrics, and different approaches. We encourage you to use the forums often. If you share your knowledge, you will find that others will share a lot too!
A final word on Kaggle Notebooks
As we mentioned earlier, Kaggle Notebooks is our Jupyter Notebooks environment with no customizable configuration and a large repository of community published data and code.
In each competition, you will find many publicly shared notebooks with incredible information. It is an invaluable resource that is worth familiarizing yourself with. Check out the notebook from this competition
[here](https://www.kaggle.com/c/codeml-challenge4/notebooks)
.
🏃‍♀ Ready to compete? Join the
[competition here!](https://www.kaggle.com/c/codeml-challenge4)
Acknowledgments
We thank Kaggle Team for providing this dataset, and for his introduction page Alexis Cook
.

___________
👋🛳️ Bonjour ! Bienvenue à Kaggle!
Difficulté : Moyenne (moins d'orientation)
Nouvelle introduction
** Pour les nouveaux venus à Kaggle ** regardez la vidéo ci-dessous pour voir comment se déroule normalement un concours
[](https://www.youtube.com/watch?v=CM2VskTenJc)
Une fois que vous êtes prêt à commencer le concours, cliquez sur le bouton
[Join competition](https://www.kaggle.com/c/codeml-challenge4)
pour créer un compte et accéder aux données du concours
[](https://www.kaggle.com/c/codeml-challenge4/data)
. Ensuite, consultez le tutoriel
[Titanic d'Alexis Cook](https://www.kaggle.com/alexisbcook/titanic-tutorial)
qui vous explique pas à pas comment effectuer votre première soumission ! et aussi celui de
[Notebook Yassine Ghouzam](https://www.kaggle.com/yassineghouzam/titanic-top-4-with-ensemble-modeling)
Le défi :
Les consommateurs ont laissé des commentaires (textes) sur le dernier produit qu'ils viennent d'utiliser. Nous aimerions savoir s'il est possible de déterminer si les commentaires sont positifs ou négatifs à l'avenir pour d'autres produits.
Le défi est simple : utiliser des techniques d'apprentissage automatique pour créer un modèle qui prédit les réactions positives ou négatives à l'aide des anciennes réactions recueillies
Donc les données ici sont du texte et ce que vous ferez est proche de la branche du traitement des langues par apprentissage automatique
.
Un cahier est donné dans la section Cahier et il contient un début de traitement de texte que vous pouvez faire avant de trier le texte (ce n'est qu'une piste, pas la solution)
Ce modèle que vous nous permettrez à l'avenir d'avoir un retour automatique positif ou négatif car les commentaires passeront immédiatement par votre algorithme
Présentation du fonctionnement des concours Kaggle
1. participer au concours
Lisez la description du défi, acceptez le règlement du concours et accédez à l'ensemble des données du concours.
2. commencer à travailler
Téléchargez les données, créez des modèles dessus localement ou sur Kaggle Kernels (notre environnement Jupyter Notebooks sans configuration et personnalisable) et générez un fichier de prédiction. Vous pouvez également travailler localement sur votre ordinateur directement, nous ne vous demanderons que les fichiers de prédiction
3. faire une soumission
Téléchargez votre prédiction sous forme de citation sur Kaggle et recevez un score de précision.
4. Regardez le tableau de bord
Voyez comment votre modèle se classe par rapport aux autres Kagglers dans nos classements.
5. Augmentez votre score
Consultez le forum de discussion
[pour obtenir de nombreux tutoriels et des idées d'autres concurrents.](https://www.kaggle.com/c/codeml-challenge4/discussion)
[Quelles données vais-je utiliser dans ce concours ?](https://www.kaggle.com/c/codeml-challenge4/discussion)
[Dans ce concours, vous aurez accès à 3 ensembles de données similaires qui comprennent le texte de commentaire à classer. L'un des ensembles de données est intitulé "train.txt", l'autre "label.txt" et le dernier "test.txt". train.txt - données relatives à la formation, commentaires séparés avec les nouvelles lignes \ n train_label.txt - réponses de formation, commentaires de classe dans le même ordre que les textes dans un train.txt séparé avec des nouvelles lignes \ n test.txt - les données pour le test sont toujours des commentaires séparés par des nouvelles lignes En utilisant vos modèles et les données de train.txt, prévoyez si des commentaires dans test.cv sont positifs ou non. Visitez l'onglet](https://www.kaggle.com/c/codeml-challenge4/discussion)
["Data"](https://www.kaggle.com/c/codeml-challenge4/data)
competition pour explorer les ensembles de données encore plus en profondeur. Lorsque vous pensez avoir créé un modèle compétitif, soumettez-le à Kaggle pour voir où se situe votre modèle dans notre classement par rapport aux autres Kagglers.
Comment soumettre votre prédiction à Kaggle
Une fois que vous êtes prêt à soumettre une candidature et à figurer dans le classement :
1. Cliquez sur le bouton "Soumettre les prédictions"
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2Fcbd6642aa72d7264b912eb7b192ef4d5%2Fscreen1.png?generation=1600955792312915&alt=media)
2. Téléchargez un fichier CSV dans le format de fichier de soumission. Vous pouvez soumettre 10 soumissions par jour.
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2F4e5c05145c265cab77bf2f7349803ea1%2Fscreen2.png?generation=1600955792270010&alt=media)
Format du fichier de soumission
Vous devez soumettre un fichier csv avec le nombre exact de lignes comme test.csv et plus d'une ligne d'en-tête. Votre soumission affichera une erreur si vous avez des colonnes ou des lignes supplémentaires.
Le fichier doit avoir exactement 2 colonnes :
- TextId (trié dans n'importe quel ordre)
- Classement (positif ou négatif) (contient vos prédictions binaires : 1 pour positif, 0 pour négatif)