解题思路

• 将每条样本的“特征序列”看成由大写字母 A~G 组成的集合。按固定顺序 A B C D E F G 做 one-hot 编码：只要某个字母在序列中出现（次数不计），对应位置记为 1，否则为 0，得到长度为 7 的特征向量。
• 训练一个单层逻辑回归（Logistic Regression） 分类器： 预测值 p = sigmoid(w·x + b)；损失函数采用交叉熵；用**梯度下降（SGD，batch=1）**更新参数。题面给定超参：学习率 0.1，训练轮数 20，初始 w、b 全为 0。
• 预测阶段：对测试数据计算 p，阈值 0.5 二值化，p>0.5 输出 1，否则输出 0。
• 读入格式：第一行 N M；接着 N 行为训练样本（“字符串 标签”）；之后 M 行为仅含字符串的测试样本；输出 M 行预测标签。

复杂度分析

题目内容

意图分类是一种常见的 $NLP$ 任多，现在需要实现一个基于逻辑回归的意图分类系统(二分类)。本系统的输入是一个已处理的特征序列，输出是意图标签 ( $0$ 或 $1$ )。请根据以下步骤实现该分类器：

1、数据预处理：对输入(特征序列，即仅包含大写字母 $ABCDEFG$ 的序列)进行 $one-hot$ 编码，编码时的特征顺序是 $ABCDEFG$；某个特征存在取 $1$ ，不存在取 $0$ ;

2、模型初始化：构造一个单层的训练网络，初始化权重 $w$ 和偏置 $b$ 初始化的值全部设为 $0$ ;

3、模型训练：使用 $Sigmoid$ 函数计算预测值，使用交叉熵损失函数训练，使用梯度下降算法更新参数；训练过程中使用训练数据进行训练，相关超参数为：学习率 $0.1$，训练轮数 $20$ ，$batch$ 大小为 $1$ ;

（1）$Sigmoid$ 函数公式:

$σ(z)=\frac{1}{1+e^{-z}}$ ，其中 $z=w·x+b$ （ $x$ 为输入特征向量）。

4.模型预测：对测试数据进行预测，首先使用 $sigmoid$ 函数计算预测值，然后做二值化处理(大于 $0.5$ 认为是类别 $1$ ，否则是类别 $0$ )

输入描述

第一行输入 $N$ 和 $M，N(10<=N<=100)$ 表示训练数据条数，$M(2<=M<=10)$ 表示测试数据条数；

接下来 $N$ 行是训练数据，每行包含两部分内容(空格隔开)，即代表输入的特征序列(由大写字母 $ABCDEFG$ 构成的字符串，长度范围是 $[3,7]$ )和该条数据的意图标签(使用数字 $0$ 或 $1$ 表示)；

在接下来 $M$ 行是测试数据的特征序列。

输出描述

输出有 $M$ 行，每行是测试输出，即用数字 $0$ 或 $1$ 表示的意图标签。

样例1

输入

10 2
CBG 0
AFE O
FGD 1
BFG O
BBA 0
BDD 0
BEG 1
EGE 0
CAF O
DGD 1
DBA
DAD

输出

0
0

说明

该样例有 $10$ 条训练数据，$2$ 条测试数据，$2$ 个测试输出均 $0$

样例2

输入

10 3
GDEE 0
BDFEA 1
BDFE O
GECD 0
DDCEE 1
ADA O
EECBC 0
BACBC 1
DDD 1
FEEEE O
AADC
BBAE
ECEC

输出

1
0
0

说明

该样例有 $10$ 条训练数据，$3$ 条测试数据，测试输出分别为 $1、0、0$ 。