БАК под лупа

Контекст

През годините резултатите от изпита за Бакалавриат предоставят детайлна картина за представянето на гимназиите в Румъния. Анализирайки исторически данни за няколко години, можем да открием тенденции, еволюцията на училищните постижения и понякога резултати, които излизат от модела.

В този контекст целта на тази задача е да се анализира статистически представянето на гимназиите на Бакалавриата, да се построят предиктивни модели и да се идентифицират атипични резултати, използвайки методи от Machine Learning.

Описание на данните

За да решите изискванията на тази задача имате достъп до структуриран набор от данни под формата на два csv файла: train.csv и test.csv. Този набор от данни съдържа агрегирани резултати на гимназиите по различни изпити от Бакалавриата за периода 2014–2023.

Всеки ред от набора от данни (независимо дали става въпрос за тренировъчния набор или този за тестване) представлява резултатите на гимназия, по предмет, в година.

Налични колони:

• id – уникален идентификатор на реда
• an – година на изпита
• liceu – наименование на гимназията
• judet – окръгът, в който се намира гимназията
• materie – дисциплината от Бакалавриата
• medie – средната оценка, получена от учениците на гимназията по съответната дисциплина
• procent_reusita – процентът ученици, които са положили изпита
• numar_candidati – броят кандидати
• preferinta_materie – процентът ученици, които са избрали съответната дисциплина
• anomalie - може да има стойност 0, ако не се счита за анормална ситуация, или стойност 1, ако ситуацията е необичайна.

Забележка: За всяка гимназия имаме и някои общи статистики. За тях в колоната materie намираме стойността GENERAL.

Файлът train.csv съдържа статистиките от периода 2014-2022, а файлът test.csv съдържа данните за година 2023, но колоните medie и anomalie не са налични.

Изисквания

Изискване 1 - Идентифициране на предпочитания предмет (10 точки)

Идентифицирайте кой е бил предметът с най-голямо предпочитание в година 2023 от COLEGIUL NATIONAL "UNIREA" FOCSANI, ако изключим предмета LIMBA ROMANA, който е бил задължителен за всички кандидати.

Изискване 2 - Идентифициране на просперираща година за Информатика (10 точки)

Идентифицирайте в коя година от периода 2014-2022 предметът INFORMATICA MI C-C++ е имал най-голяма популярност в COLEGIUL NATIONAL "UNIREA" FOCSANI. Считаме, че популярността се определя от процента от колоната preferinta_materie (колкото по-висок е този процент, толкова повече ще считаме, че предметът е бил по-популярен).

Изискване 3 - Оценка на представянето на гимназиите (40 точки)

Използвайки информацията, налична във файла train.csv, оценете стойността на получената средна оценка за всеки ред от файла test.csv (година 2023).

За това изискване можете да използвате всякакъв метод за статистически анализ или моделиране, базиран на историческите данни, като вземете предвид:

• анализирания предмет,
• историята на гимназията,
• еволюцията във времето на резултатите,
• общия контекст на представянията на ниво окръг или национално.

Целта е получаване на оценки, които са възможно най-близо до реалните стойности.

Изискване 4 - Идентифициране на атипични резултати (40 точки)

Анализирайте историческите данни от периода 2014–2022 и решете за всеки ред от файла test.csv дали съответният резултат за година 2023 е:

• нормален, или
• атипичен, който се отклонява значително от обичайното поведение.

При вземането на решението можете да вземете предвид:

• историята на съответната гимназия,
• вариациите от година на година,
• разликите между предметите,
• сравнението с други подобни гимназии.

Крайният резултат за всеки ред трябва да бъде бинарен етикет:

• 0 - нормален резултат
• 1 - атипичен резултат

Формат на подаването

За автоматичното оценяване трябва да качите файл в csv формат със следната структура:

• id – идентификаторът на реда (съответстващ на този от test.csv)
  • за задача 1 ще използвате стойност 1 за id
  • за задача 2 ще използвате стойност 2 за id
• subtaskID – идентификаторът на изискването:
  • 1 за идентифициране на предпочитания предмет (изискване 1)
  • 2 за идентифициране на просперираща година за Информатика (изискване 2)
  • 3 за оценка на средната оценка (изискване 3)
  • 4 за идентифициране на атипични резултати (изискване 4)
• answer – отговорът, съответстващ на изискването:
  • за subtaskID = 1: наименованието на предмета точно както се появява в набора от данни
  • за subtaskID = 2: годината
  • за subtaskID = 3: числова стойност (оценката на средната оценка)
  • за subtaskID = 4: 0 или 1

Оценяване

За изискванията 1–2 се оценява точно (чрез сравнение).

За изискване 3 оценяването се прави, използвайки Mean Absolute Error (MAE).

Правила:

• MAE < 0.3 → максимален резултат
• MAE > 1.0 → 0 точки
• За стойности между тези два прага резултатът се присъжда пропорционално.

За изискване 4 резултатът се присъжда според следните правила:

• AUC ≥ 0.95 → 40 точки
• AUC ≤ 0.70 → 0 точки
• Интервалът между тях: пропорционален резултат

⬇️ Изтегли Starter Kit