Fairplay

FairPlay a zápasy s vysokým rizikem

Kontext

V paralelním vesmíru je FairPlay oddělení odpovědné za monitorování týmů a hráčů během zápasů.

V průběhu let FairPlay pozoroval, že určité zápasy mají tendenci se stávat chaotickými častěji, když se objeví:

• fauly,
• mnoho karet,
• kontroverzní rozhodnutí a skandály.

Aby se co nejvíce předešlo skandálům, FairPlay tě žádá, abys vytvořil model, který klasifikuje zápasy podle potenciálu chaosu.

Máš k dispozici historická data o zápasech a musíš vytvořit klasifikační model, který dokáže předpovědět, zda se zápas stane chaotickým.

Dataset

Byly ti poskytnuty dva soubory:

• train.csv - historické zápasy s označením chaos_label
• test.csv - nové zápasy bez označení

Každý řádek představuje zápas a obsahuje následující sloupce:

• MatchID - jedinečný identifikátor zápasu
• Season - soutěžní sezóna
• MatchWeek - kolo
• HomeTeam - domácí tým
• AwayTeam - hostující tým
• Goals - celkový počet gólů
• Shots - celkový počet střel
• Corners - celkový počet rohových kopů
• YellowCards - počet žlutých karet
• RedCards - počet červených karet
• TeamStyles - seznam herních stylů spojených se zápasem (např: ["AggressiveTackler", "HighPressure"])
• chaos_label - pouze v train.csv,
  • 1 = chaotický zápas / se skandálem
  • 0 = kontrolovaný zápas

Konečný cíl:

Předpovědět, zda je zápas z test.csv chaotický (binární hodnoty - 0 nebo 1).

Úkoly

První dva podúkoly ověřují porozumění a předzpracování dat.

Poslední podúkol hodnotí výkon klasifikačního modelu.

Podúkol 1 (10 bodů)

Vypočítejte počet zápasů odehraných týmem "Chelsea", jak venku, tak doma.

Zobrazte jediné celé číslo.

Podúkol 2 (15 bodů)

Vycházeje ze sloupce TeamStyles, vypočítejte numerické skóre nazvané StyleAggressionScore, definované jako:

1StyleAggressionScore = (počet agresivních stylů) / (celkový počet stylů)

Styly považované za agresivní jsou:

• AggressiveTackler
• RiskTaker
• HighPressure
• ChaosInducer

Výsledek musí být reálné číslo mezi 0 a 1.

Podúkol 3 (75 bodů)

Vytvořte klasifikační model, který předpoví, zda je zápas chaotický (chaos_label = 1) nebo kontrolovaný (chaos_label = 0).

Pro každý řádek v test.csv musí model vrátit binární predikci:

• 0 → kontrolovaný zápas
• 1 → chaotický zápas

Model může použít jakýkoli dostupný feature v datasetu, včetně umělých features vytvořených v rámci předchozích podúkolů.

Hodnocení

Pro Podúkol 3 se hodnocení provádí pomocí F1 macro skóre.

F1 macro skóre se vypočítá takto:

• vypočítá se F1-score samostatně pro každou třídu (0 a 1)
• provede se aritmetický průměr těchto dvou hodnot

Tato metrika zachází s oběma třídami stejně a penalizuje modely, které správně předpovídají pouze majoritní třídu.

Hodnotící prahy:

• F1 macro ≥ 0.95 → 75 bodů
• F1 macro ≤ 0.80 → 0 bodů

Mezilehlé hodnoty dostávají proporcionální bodování.

Formát souboru pro odevzdání

Soubor submission.csv musí obsahovat jeden řádek pro první podúkol a po 2 řádcích pro každý řádek z test, odpovídající ostatním 2 podúkolům.

Struktura:

• subtaskID,datapointID,answer

kde:

• subtaskID - 1, 2 nebo 3
• datapointID - hodnota id (nebo 1 pro první podúkol)
• answer - závisí na úkolu:
  • Podúkol 1: počet zápasů (celé číslo)
  • Podúkol 2: popsané skóre (zaokrouhlené na 2 desetinná místa)
  • Podúkol 3: binární predikce (0/1)

Příklad pro id = 25758:

Zdroj datasetu: https://www.kaggle.com/datasets/ajaxianazarenka/premier-league?select=PremierLeague.csv