Vorhersage der Popularität von Liedern

🎧 Vorhersage der Beliebtheit von Liedern 🎹

Die digitale Musikindustrie entwickelt sich schnell, und Streaming-Plattformen konkurrieren darum, zu schätzen, wie gut ein Lied bei den Hörern ankommen wird. Beliebtheit ist nicht nur eine Zahl, da sie Empfehlungen, automatisierte Playlists und sogar Künstlerverträge beeinflusst.

Um ein neues Vorhersagemodul zu trainieren, hast du einen Datensatz von Spotify erhalten, der Audio-Eigenschaften und Metadaten von Liedern enthält.

Dein Ziel ist es, ein Modell zu erstellen, das die Beliebtheit eines Stücks basierend auf numerischen Eigenschaften und einigen zusätzlichen Informationen vorhersagt.

📁 Der Datensatz

Du hast zwei Dateien zur Verfügung:

• train.csv — Lieder mit allen Spalten einschließlich popularity
• test.csv — Lieder ohne die Spalte popularity (diese müssen vorhergesagt werden)

Jedes Lied hat einen eindeutigen Identifikator und eine Reihe von Eigenschaften:

• track_id — eindeutige ID des Stücks
• artists
• album_name
• track_name
• popularity (nur in train)
• duration_ms
• explicit
• danceability
• energy
• key
• loudness
• mode
• speechiness
• acousticness
• instrumentalness
• liveness
• valence
• tempo
• time_signature
• track_genre

Das Hauptziel ist es, die Spalte popularity für den Testdatensatz vorherzusagen.

🧠 Aufgabe (100 Punkte)

Erstelle ein maschinelles Lernmodell, das die Beliebtheit jedes Lieds aus test.csv vorhersagt.

Deine Vorhersagen müssen in einer Datei submission.csv mit folgendem Format gespeichert werden:

1track_id,popularity2101,42.73102,55.14103,38.0

wobei:

• track_id — ID des Lieds aus dem Test
• popularity — realer Wert (float), der die vorhergesagte Beliebtheit darstellt

📊 Bewertung

Die Bewertung erfolgt mit MAE (Mean Absolute Error):

Die endgültige Punktzahl wird basierend auf dem erhaltenen MAE-Score unter Verwendung folgender Regeln berechnet:

• MAE ≤ 5 → 100 Punkte
• MAE ≥ 20 → 0 Punkte
• Für Zwischenwerte wird eine proportionale Punktzahl zwischen 0 und 100 vergeben.