🏫 Прогнозиране на академичното състояние на студентите
За тази задача трябва да имплементирате модел за класификация, способен да прогнозира академичното състояние на студент (Target) използвайки наличен набор от данни. Наборът от данни е организиран в CSV файл, а производителността на модела ще се оценява на базата на F1-score.
🔹 Набор от данни
Наборът от данни съдържа следните колони:
- SampleID: Уникален идентификатор за всеки студент
- Marital status: Семейно положение на студента (Single, Married, Other)
- Application mode: Начин на кандидатстване (Online, In person, Other)
- Application order: Ред на кандидатстване (числов)
- Course: Курсът, в който се е записал студентът
- Daytime/evening attendance: Тип посещаемост (Daytime/Evening)
- Previous qualification: Предишно образователно ниво (High School, College)
- Nacionality: Националност на студента
- Mother's qualification: Образователно ниво на майката
- Father's qualification: Образователно ниво на бащата
- Mother's occupation: Професия на майката
- Father's occupation: Професия на бащата
- Displaced: Студентът е преместен/чужденец (Yes/No)
- Educational special needs: Специални образователни нужди (Yes/No)
- Debtor: Студент длъжник (Yes/No)
- Tuition fees up to date: Таксите са платени (Yes/No)
- Gender: Пол на студента (Male/Female)
- Scholarship holder: Студент със стипендия (Yes/No)
- Age at enrollment: Възраст при записване
- International: Международен студент (Yes/No)
- Curricular units 1st sem (credited): Кредитирани курсове в първия семестър
- Curricular units 1st sem (enrolled): Записани курсове в първия семестър
- Curricular units 1st sem (evaluations): Проведени оценки в първия семестър
- Curricular units 1st sem (approved): Одобрени курсове в първия семестър
- Curricular units 1st sem (grade): Получени оценки в първия семестър
- Curricular units 1st sem (without evaluations): Курсове без оценки в първия семестър
- Curricular units 2nd sem (credited): Кредитирани курсове във втория семестър
- Curricular units 2nd sem (enrolled): Записани курсове във втория семестър
- Curricular units 2nd sem (evaluations): Проведени оценки във втория семестър
- Curricular units 2nd sem (approved): Одобрени курсове във втория семестър
- Curricular units 2nd sem (grade): Получени оценки във втория семестър
- Curricular units 2nd sem (without evaluations): Курсове без оценки във втория семестър
- Unemployment rate: Равнище на безработица в региона на студента
- Inflation rate: Равнище на инфлация
- GDP: Брутен вътрешен продукт (GDP)
- Target: Целева променлива, академично състояние на студента (Dropout, Enrolled, Graduate)
📊 Бележки за набора от данни
- Целево поле:
Target
- Моделът трябва да бъде обучен на
train.csv и оценен на test.csv
⚙️ Критерии за оценка
- Производителност: Възможно най-висок F1-score
📨 Формат на файла за подаване
Файлът за подаване трябва да бъде CSV с точно две колони:
| Колона | Тип | Описание |
|---|
SampleID | integer | Представлява уникалния идентификатор на реда от тестовия набор |
Target | String | Прогноза на класа за студента (Dropout, Enrolled, Graduate) |
🔹 Примери
| SampleID | Target |
|---|
| 101 | Dropout |
| 102 | Enrolled |
| 103 | Graduate |
Важно: Всеки ред от CSV представлява прогноза за един студент от теста.
📝 Бележка
Резултатът се присъжда на базата на F1-score, получен от модела на тестовия набор. За да получите максимален резултат, F1 трябва да бъде поне 0.75, а стойности под 0.5 ще получат 0 точки, останалите се скалират пропорционално.
🗂️ Полезни ресурси
- Starter Kit – съдържа скелет, от който можете да започнете решаването на задачата
