這篇解什麼問題
淺層模型在文字分類上到底能打到什麼程度，值不值得當作正式的比較基準——而不是隨便找個數字交差。
我怎麼做
流程很直接：把訓練集切 80/20（random_state=42，按標籤分層抽樣，之後 Route B、C 都用同一份切分，才能公平比較），TF-IDF 向量化文字（1-2 gram、最多 2 萬個特徵、去除英文停用詞），丟進 Logistic Regression 訓練。驗證完之後，用完整訓練集重新配適一次，拿去預測正式的 Kaggle 測試集、產出提交檔。
整個流程——含向量化、訓練、驗證——0.5 秒跑完。這不是筆誤，淺層模型在小資料集上就是這麼快。
結果與數據
本地驗證（80/20 切分）F1 是 0.76238；提交到 Kaggle 之後，public leaderboard 分數是 0.80018——比本地驗證分數高，原因是本地驗證只用了 20% 的訓練資料當驗證集，樣本數少，分數本來就會有變異；真正配適時用了全部訓練資料，模型看到的資料量變多，表現也跟著上去。
一句話結論
災難推文的分類線索其實很表面——關鍵字、標點、用詞習慣——淺層模型不用理解語意也能抓到七、八成，這就是為什麼 TF-IDF 這種上個世代的技術，在這類任務上依然是一條該認真對待的基準線。