BAC pod lupou

Kontext

V průběhu let poskytují výsledky maturitní zkoušky detailní obraz o výkonnosti gymnázií v Rumunsku. Analýzou historických dat za několik let můžeme objevit trendy, vývoj školní výkonnosti a někdy i výsledky, které vybočují z běžného rámce.

V tomto kontextu je cílem této úlohy statisticky analyzovat výkonnost gymnázií u maturity, vybudovat prediktivní modely a identifikovat atypické výsledky pomocí metod strojového učení.

Popis dat

Pro řešení požadavků této úlohy máte přístup k datasetu strukturovanému ve formě dvou csv souborů: train.csv a test.csv. Tento dataset obsahuje agregované výsledky gymnázií u různých částí maturitní zkoušky za období 2014–2023.

Každý řádek v datasetu (ať už se jedná o trénovací nebo testovací sadu) představuje výsledky gymnázia pro předmět v roce.

Dostupné sloupce:

• id – jedinečný identifikátor řádku
• an – rok zkoušky
• liceu – název gymnázia
• judet – kraj, ve kterém se gymnázium nachází
• materie – maturitní předmět
• medie – průměr známek získaných studenty gymnázia u daného předmětu
• procent_reusita – procento studentů, kteří zkoušku úspěšně složili
• numar_candidati – počet kandidátů
• preferinta_materie – procento studentů, kteří si vybrali daný předmět
• anomalie - může mít hodnotu 0, pokud se nejedná o abnormální situaci, nebo hodnotu 1, pokud je situace neobvyklá.

Poznámka: Pro každé gymnázium máme také obecné statistiky. Pro ty najdeme ve sloupci materie hodnotu GENERAL.

Soubor train.csv obsahuje statistiky z období 2014-2022, zatímco soubor test.csv obsahuje data pro rok 2023, ale sloupce medie a anomalie nejsou dostupné.

Požadavky

Požadavek 1 - Identifikace preferovaného předmětu (10 bodů)

Identifikujte, který předmět měl největší preferenci v roce 2023 na COLEGIUL NATIONAL "UNIREA" FOCSANI, pokud vyloučíme předmět LIMBA ROMANA, který byl povinný pro všechny kandidáty.

Požadavek 2 - Identifikace úspěšného roku pro informatiku (10 bodů)

Identifikujte, ve kterém roce z období 2014-2022 měl předmět INFORMATICA MI C-C++ největší popularitu na COLEGIUL NATIONAL "UNIREA" FOCSANI. Považujeme, že popularita je dána procentem ze sloupce preferinta_materie (čím vyšší je toto procento, tím více budeme považovat předmět za populárnější).

Požadavek 3 - Odhad výkonnosti gymnázií (40 bodů)

Pomocí informací dostupných v souboru train.csv odhadněte hodnotu získaného průměru pro každý řádek ze souboru test.csv (rok 2023).

Pro tento požadavek můžete použít jakoukoli metodu statistické analýzy nebo modelování založenou na historických datech, s přihlédnutím k:

• analyzovanému předmětu,
• historii gymnázia,
• časovému vývoji výsledků,
• obecnému kontextu výkonnosti na krajské nebo národní úrovni.

Cílem je získání odhadů co nejbližších skutečným hodnotám.

Požadavek 4 - Identifikace atypických výsledků (40 bodů)

Analyzujte historická data z období 2014–2022 a rozhodněte pro každý řádek ze souboru test.csv, zda odpovídající výsledek roku 2023 je:

• normální, nebo
• atypický, který se významně odchyluje od obvyklého chování.

Při rozhodování můžete vzít v úvahu:

• historii daného gymnázia,
• variace z roku na rok,
• rozdíly mezi předměty,
• srovnání s podobnými gymnázii.

Konečný výsledek pro každý řádek musí být binární označení:

• 0 - normální výsledek
• 1 - atypický výsledek

Formát submise

Pro automatické hodnocení musíte nahrát soubor ve formátu csv s následující strukturou:

• id – identifikátor řádku (odpovídající tomu z test.csv)
  • pro úlohu 1 použijete hodnotu 1 pro id
  • pro úlohu 2 použijete hodnotu 2 pro id
• subtaskID – identifikátor požadavku:
  • 1 pro identifikaci preferovaného předmětu (požadavek 1)
  • 2 pro identifikaci úspěšného roku pro informatiku (požadavek 2)
  • 3 pro odhad průměru (požadavek 3)
  • 4 pro identifikaci atypických výsledků (požadavek 4)
• answer – odpověď odpovídající požadavku:
  • pro subtaskID = 1: název předmětu přesně tak, jak se objevuje v datasetu
  • pro subtaskID = 2: rok
  • pro subtaskID = 3: numerická hodnota (odhad průměru)
  • pro subtaskID = 4: 0 nebo 1

Hodnocení

Pro požadavky 1–2 se hodnotí přesně (porovnáním).

Pro požadavek 3 se hodnocení provádí pomocí Mean Absolute Error (MAE).

Pravidla:

• MAE < 0.3 → maximální bodový zisk
• MAE > 1.0 → 0 bodů
• Pro hodnoty mezi těmito dvěma prahy se body udělují proporcionálně.

Pro požadavek 4 se body udělují podle následujících pravidel:

• AUC ≥ 0.95 → 40 bodů
• AUC ≤ 0.70 → 0 bodů
• Interval mezi nimi: proporcionální bodování

⬇️ Stáhnout Starter Kit