Opgave #31
Forfatter:Mihai Nan
Sværhedsgrad
Din bedste score
N/A
Der ønskes konstrueret en regressionsmodel, som kan forudsige den endelige eksamenscore (Exam_Score) baseret på akademiske, sociale og personlige faktorer hos eleverne.
Modellen modtager et sæt karakteristika (features) og skal estimere en kontinuerlig numerisk værdi.
Hver instans indeholder flere variabler, såsom:
StudyHoursAttendanceParentalInvolvementHealthStatus... (andre kolonner eksisterende i datasættet)train.csvIndeholder alle karakteristika + måletiketten.
Obligatoriske kolonner:
SampleIDExam_ScoreEksempel:
| SampleID | StudyHours | Attendance | ParentalInvolvement | ... | Exam_Score |
|---|---|---|---|---|---|
| 1 | 3.5 | High | Medium | ... | 78 |
| 2 | 1.2 | Low | Low | ... | 55 |
| 3 | 4.0 | High | High | ... | 92 |
test.csvHar samme struktur som train.csv, men uden kolonnen Exam_Score, da denne skal forudsiges.
Eksempel:
| SampleID | StudyHours | Attendance | ParentalInvolvement | ... |
|---|---|---|---|---|
| 101 | 3.0 | High | Medium | ... |
| 102 | 0.7 | Low | Low | ... |
Filen submission.csv skal indeholde præcis to kolonner:
SampleIDExam_Score — modellens forudsigelseEksempel:
| SampleID | Exam_Score |
|---|---|
| 101 | 81.2 |
| 102 | 49.7 |
Evaluering af modellerne sker med to værdier:
Derefter konverteres RMSE til en score 0–100 gennem lineær interpolation:
Den ideelle model (RMSE = 0) opnår den maksimale score på 100.
Datasættet er genereret baseret på det offentlige datasæt fra Kaggle: Student Performance Factors Dataset