التنبؤ بالدخل السنوي (Adult Income)

📖 التنبؤ بالدخل السنوي (Adult Income)

تم توظيفك كعالم بيانات في "مختبر التنبؤات الاقتصادية" الصغير. مهمتك هي اكتشاف من يتجاوز حاجز الـ 50,000 دولار سنوياً ومن لا يتجاوزه، باستخدام بيانات حقيقية حول التعليم والعمل والحياة اليومية. لديك ملفان يحتويان على بيانات اجتماعية واقتصادية، موصوفة أدناه:

📋 وصف الأعمدة

ملاحظة:
العمود income متاح فقط في بيانات التدريب (train.csv).

🧩 المهام الفرعية

المهمة الفرعية 1 (10 نقاط)

قم بتحليل بيانات التدريب (train.csv) وحدد:

ما هو بلد المنشأ (native_country) بخلاف United-States الذي يضم أكبر عدد من الأشخاص الذين لديهم دخل >50K؟

يجب أن تكون النتيجة عبارة عن نص (string) باسم البلد تماماً كما يظهر في البيانات.

المهمة الفرعية 2 (15 نقطة)

قم بتحليل بيانات التدريب (train.csv) وحدد:

ما هي المهنة (occupation) التي لديها أعلى معدل دخل >50K؟

يتم حساب معدل الدخل >50K لمهنة ما كالتالي: عدد الأشخاص الذين لديهم دخل >50K في تلك المهنة مقسوماً على العدد الإجمالي للأشخاص في تلك المهنة.

يجب أن تكون النتيجة عبارة عن نص (string) باسم المهنة تماماً كما يظهر في البيانات.

المهمة الفرعية 3 (55 نقطة)

قم ببناء نموذج تصنيف قادر على التنبؤ بقيمة العمود income لجميع الملاحظات في test.csv.

يجب أن ينتج النموذج إحدى الفئتين:

• <=50K
• >50K

المهمة الفرعية 4 (20 نقطة)

يحتوي العمود profile_description على أوصاف نصية للملفات المهنية. قم بتطبيق طريقة تجميع (clustering) على هذا العمود لتجميع الملاحظات في test.csv إلى مجموعات (clusters).

أعد لكل ملاحظة في test.csv تسمية المجموعة (قيمة عددية صحيحة).

📊 التقييم

المهمة الفرعية 1: مطابقة تامة للإجابة الصحيحة.

المهمة الفرعية 2: مطابقة تامة للإجابة الصحيحة.

المهمة الفرعية 3: يتم التقييم باستخدام F1 Macro:

• f1_macro ≥ 0.80 ← 55 نقطة
• f1_macro < 0.60 ← 0 نقطة
• يتم احتساب القيم المتوسطة بشكل تناسبي بين 0 و 55.

المهمة الفرعية 4: يتم التقييم باستخدام Adjusted Rand Index (ARI):

• ARI ≥ 0.90 ← 20 نقطة
• ARI ≤ 0.00 ← 0 نقطة
• يتم احتساب القيم المتوسطة بشكل تناسبي بين 0 و 20.

📄 صيغة ملف الإرسال

يجب أن يكون ملف الإرسال بصيغة CSV، مع الأعمدة التالية:

• subtaskID – معرف المهمة الفرعية
• datapointID – معرف فريد من مجموعة البيانات
• answer – الإجابة أو التنبؤ

مثال:

1subtaskID,datapointID,answer21,1,India32,2,Sales43,10001,<=50K53,10002,>50K64,10001,074,10002,2

ملاحظة:

• للمهمة الفرعية 1 والمهمة الفرعية 2، يجب أن يكون datapointID هو 1 و 2 على التوالي.
• للمهمة الفرعية 3 والمهمة الفرعية 4، يجب أن يكون datapointID هو قيمة sampleid من test.csv.

📊 مصدر البيانات

Adult / Census Income Dataset – UCI Machine Learning Repository