Forudsigelse af eksamenscore - OJIA 3 Simulering

🏫 Forudsigelse af eksamenscore

For dette problem skal du implementere en regressionsmodel, der kan forudsige den opnåede eksamenscore (Exam_Score) ved hjælp af et tilgængeligt datasæt. Datasættet er organiseret i en CSV-fil, og modellens ydeevne vil blive evalueret baseret på Mean Absolute Error (MAE).

---

🔹 Datasættet

Datasættet indeholder følgende kolonner:

• ID: Unikt identifikationsnummer for studenten
• Hours_Studied: Antal timer brugt på at studere
• Attendance: Fremmødeprocent til undervisning
• Parental_Involvement: Forældres involvering (Low, Medium, High)
• Access_to_Resources: Adgang til uddannelsesressourcer (Low, Medium, High)
• Extracurricular_Activities: Deltagelse i fritidsaktiviteter (Yes/No)
• Sleep_Hours: Gennemsnitligt antal timers søvn per nat
• Previous_Scores: Tidligere opnåede eksamensscorer
• Motivation_Level: Motivationsniveau (Low, Medium, High)
• Internet_Access: Internetadgang til studier (Yes/No)
• Tutoring_Sessions: Antal tutorsessioner
• Family_Income: Familieindkomst (Low, Medium, High)
• Teacher_Quality: Lærekvalitet som opfattet af eleven (Low, Medium, High)
• School_Type: Skoletype (Public/Private)
• Peer_Influence: Kammeraters indflydelse på eleven (Negative, Neutral, Positive)
• Physical_Activity: Antal timer fysisk aktivitet ugentligt
• Learning_Disabilities: Tilstedeværelse af indlæringsvanskeligheder (Yes/No)
• Parental_Education_Level: Forældres uddannelsesniveau (High School, College, Postgraduate)
• Distance_from_Home: Afstand mellem hjem og skole (Near, Moderate, Far)
• Gender: Elevens køn (Male/Female)
• Exam_Score: Målvariablen, opnået eksamenscore (numerisk værdi)

---

📚 Opgaver

Subtask 1 (10 point)

Beregn gennemsnittet af værdierne i kolonnen Hours_Studied på træningssættet. For hver studerende i testsættet skal du bestemme den absolutte forskel mellem Hours_Studied og det beregnede gennemsnit.

Subtask 2 (10 point)

Bestem for hver studerende i testsættet, om denne sover lidt (<7 timer). Resultatet vil være True eller False.

Subtask 3 (10 point)

Tæl hvor mange studerende i træningssættet, der har haft en tidligere score (Previous_Scores) større end eller lig med hver studerende i testsættet.

Subtask 4 (10 point)

Bestem antallet af studerende i træningssættet med samme motivationsniveau (Motivation_Level) som hver studerende i testsættet.

Subtask 5 (60 point)

Byg en regressionsmodel til at forudsige Exam_Score baseret på de givne karakteristika. Modellen skal generalisere på nye data og vil blive evalueret med MAE.

---

📊 Noter om datasættet

• Målfeltet: Exam_Score
• Modellen skal trænes på train_data.csv og evalueres på test_data.csv
• Det anbefales at kontrollere for manglende værdier og normalisere karakteristika.

---

⚙️ Evalueringskriterier

• Ydeevne: Så lav MAE som muligt

---

📨 Format for indsendelsesfile

Indsendelsesfile skal være en CSV med præcis tre kolonner:

Kolonne	Type	Beskrivelse
subtaskID	integer	Repræsenterer subtask-ID'et (fra 1 til 5).
datapointID	integer/string	Repræsenterer den unikke identifikator for rækken i testsættet (ID).
answer	float / int / bool	Svaret for det respektive subtask. Værditype afhænger af subtask: • Subtask 1: float • Subtask 2: boolean • Subtask 3: integer • Subtask 4: integer • Subtask 5: float (modelforudsigelser)

🔹 Eksempler

subtaskID	datapointID	answer
1	101	12.5
2	101	True
3	101	7
4	101	3
5	101	85.3

Vigtigt: Hver række i CSV'en repræsenterer svaret for et enkelt subtask og et enkelt datapunkt. For hver datapointID skal der være en række for hvert subtask.

---

📝 Note

Indsendelse af et sample_output genererer 6 point.

🗂️ Nyttige ressourcer

• Komplet Starter Kit – indeholder et skelet, som du kan starte problemløsningen fra