BAC under lup

Kontekst

Gennem årene har resultaterne fra Bacalaureat-eksamen givet et detaljeret billede af gymnasiernes præstationer i Rumænien. Ved at analysere historiske data over flere år kan vi opdage tendenser, udviklingen i skolepræstationer og nogle gange resultater, der afviger fra mønsteret.

I denne sammenhæng er formålet med dette problem at analysere gymnasiernes præstationer ved Bacalaureat statistisk, at bygge prædiktive modeller og at identificere atypiske resultater ved hjælp af Machine Learning-metoder.

Databeskrivelse

For at løse kravene i dette problem har du adgang til et struktureret datasæt i form af to csv-filer: train.csv og test.csv. Dette datasæt indeholder aggregerede resultater fra gymnasier ved forskellige prøver i Bacalaureat-eksamen for perioden 2014–2023.

Hver række i datasættet (uanset om det drejer sig om træningssættet eller testsættet) repræsenterer resultaterne fra et gymnasium, for et fag, i et år.

Tilgængelige kolonner:

• id – unik identifikator for rækken
• an – eksamenets år
• liceu – gymnasiets navn
• judet – amtet hvor gymnasiet befinder sig
• materie – Bacalaureat-disciplinen
• medie – gennemsnittet af karakterer opnået af gymnasiets elever i det respektive fag
• procent_reusita – procentdelen af elever som bestod prøven
• numar_candidati – antal kandidater
• preferinta_materie – procentdelen af elever som valgte det respektive fag
• anomalie - kan have værdien 0 hvis det ikke betragtes som en unormal situation eller værdien 1 hvis situationen er usædvanlig.

Bemærkning: For hvert gymnasium har vi også nogle generelle statistikker. For disse finder vi værdien GENERAL i kolonnen materie.

Filen train.csv indeholder statistikker fra perioden 2014-2022, mens filen test.csv indeholder data for året 2023, men kolonnerne medie og anomalie er ikke tilgængelige.

Krav

Krav 1 - Identifikation af det foretrukne fag (10 point)

Identificer hvilket fag der havde den største præference i året 2023 på COLEGIUL NATIONAL "UNIREA" FOCSANI, hvis vi udelukker faget LIMBA ROMANA som var obligatorisk for alle kandidater.

Krav 2 - Identifikation af det velstående år for Informatik (10 point)

Identificer i hvilket år i perioden 2014-2022 faget INFORMATICA MI C-C++ havde den største popularitet på COLEGIUL NATIONAL "UNIREA" FOCSANI. Vi betragter at populariteten er givet af procentdelen fra kolonnen preferinta_materie (jo højere denne procentdel er, desto mere populært vil vi betragte faget som værende).

Krav 3 - Estimering af gymnasiernes præstationer (40 point)

Ved hjælp af informationerne tilgængelige i filen train.csv, estimer værdien af det opnåede gennemsnit for hver række i filen test.csv (året 2023).

For dette krav kan du anvende enhver metode til statistisk analyse eller modellering baseret på historiske data, under hensyntagen til:

• det analyserede fag,
• gymnasiets historie,
• udviklingen over tid af resultaterne,
• den generelle kontekst af præstationer på amts- eller nationalt niveau.

Formålet er at opnå estimater så tæt som muligt på de reelle værdier.

Krav 4 - Identifikation af atypiske resultater (40 point)

Analyser de historiske data fra perioden 2014–2022 og beslut for hver række i filen test.csv, om det tilsvarende resultat for året 2023 er:

• et normalt resultat, eller
• et atypisk resultat, som afviger betydeligt fra den sædvanlige adfærd.

I beslutningstagningen kan du tage hensyn til:

• det respektive gymnasiums historie,
• variationer fra år til år,
• forskelle mellem fag,
• sammenligning med andre lignende gymnasier.

Det endelige resultat for hver række skal være en binær etiket:

• 0 - normalt resultat
• 1 - atypisk resultat

Submissionsformat

For automatisk evaluering skal du uploade en fil i csv-format med følgende struktur:

• id – rækkens identifikator (svarende til den i test.csv)
  • for opgave 1 vil du bruge værdien 1 for id
  • for opgave 2 vil du bruge værdien 2 for id
• subtaskID – kravets identifikator:
  • 1 for identifikation af det foretrukne fag (krav 1)
  • 2 for identifikation af det velstående år for Informatik (krav 2)
  • 3 for estimering af gennemsnittet (krav 3)
  • 4 for identifikation af atypiske resultater (krav 4)
• answer – svaret svarende til kravet:
  • for subtaskID = 1: fagets navn præcis som det fremgår i datasættet
  • for subtaskID = 2: året
  • for subtaskID = 3: en numerisk værdi (estimering af gennemsnittet)
  • for subtaskID = 4: 0 eller 1

Evaluering

For krav 1–2 evalueres nøjagtigt (gennem sammenligning).

For krav 3 foretages evalueringen ved hjælp af Mean Absolute Error (MAE).

Regler:

• MAE < 0.3 → maksimalt pointtal
• MAE > 1.0 → 0 point
• For værdier mellem disse to tærskler tildeles pointtallet proportionalt.

For krav 4 tildeles pointtallet i henhold til følgende regler:

• AUC ≥ 0.95 → 40 point
• AUC ≤ 0.70 → 0 point
• Intervallet mellem dem: proportionalt pointtal

⬇️ Download Starter Kit