Задача #27
Автор:Mihai Nan
Трудност
Твоят най-добър резултат
Н/Д
За тази задача трябва да имплементирате модел за регресия, способен да прогнозира резултата, получен на изпит (Exam_Score), използвайки наличен набор от данни. Наборът от данни е организиран в CSV файл, а производителността на модела ще се оценява на базата на Mean Absolute Error (MAE).
Наборът от данни съдържа следните колони:
Изчислете средната стойност на колоната Hours_Studied върху тренировъчния набор. За всеки студент от теста определете модула на разликата между Hours_Studied и изчислената средна стойност.
Определете за всеки студент от теста дали той спи малко (<7 часа). Резултатът ще бъде True или False.
Преброете колко студенти от тренировъчния набор са имали предишен резултат (Previous_Scores) по-голям или равен на този на всеки студент от теста.
Определете броя студенти от тренировката със същото ниво на мотивация (Motivation_Level) като всеки студент от теста.
Построете модел за регресия за прогнозиране на Exam_Score на базата на предоставените характеристики. Моделът трябва да генерализира върху нови данни и ще бъде оценен с MAE.
Exam_Scoretrain_data.csv и оценен върху test_data.csvФайлът за подаване трябва да бъде CSV с точно три колони:
| Колона | Тип | Описание |
|---|---|---|
subtaskID | integer | Представлява ID-то на подзадачата (от 1 до 5). |
datapointID | integer/string | Представлява уникалния идентификатор на реда от тестовия набор (ID). |
answer | float / int / bool | Отговорът за съответната подзадача. Типът на стойността зависи от подзадачата: • Подзадача 1: float • Подзадача 2: boolean • Подзадача 3: integer • Подзадача 4: integer • Подзадача 5: float (прогнози на модела) |
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | 101 | 12.5 |
| 2 | 101 | True |
| 3 | 101 | 7 |
| 4 | 101 | 3 |
| 5 | 101 | 85.3 |
Важно: Всеки ред от CSV представлява отговора за една подзадача и една точка от данните. За всеки
datapointIDтрябва да съществува по един ред за всяка подзадача.
Изпращането на sample_output генерира 6 точки.