Berühmte Gemälde

Berühmte Gemälde

Kontext

Wenn wir uns auf berühmte Gemälde beziehen, müssen wir auch objektive Eigenschaften wie die Größe der Leinwand, den Typ des verwendeten Pinsels, die visuelle Komplexität oder die Farbdichte berücksichtigen, zusätzlich zu ihrer künstlerischen Qualität. Die automatische Wertschätzung und Stilidentifikation des Malers können Sammlern und Museen dabei helfen, große Sammlungen von Kunstwerken zu analysieren.

Zur Lösung dieses Problems stehen Ihnen zwei Dateien zur Verfügung:

• train.csv – enthält alle Variablen, einschließlich target_price, für das Training der Modelle
• test.csv – enthält dieselben Variablen ohne die Spalte target_price, und die Daten aus dieser Datei werden zur Generierung der Vorhersagen verwendet

Beschreibung des Datensatzes

Anforderungen

Für dieses Problem haben Sie 3 Aufgaben zu lösen.

Task 1 – Künstlerischer Authentizitätsscore (20 Punkte)

Kürzlich wurde ein revolutionärer Algorithmus von einer Gruppe von Forschern in künstlicher Intelligenz und Kunst entdeckt. Dieser kann basierend auf den objektiven Eigenschaften des Gemäldes bewerten, ob ein Gemälde sicher authentisch ist oder nicht.

Für jedes Gemälde berechnet der Algorithmus einen Künstlerischen Authentizitätsscore (SAA) unter Verwendung der folgenden Regeln:

1. Wenn stroke_density > 0.7, füge 2 Punkte zum SAA hinzu.
2. Wenn complexity > 0.65, füge 2 Punkte zum SAA hinzu.
3. Wenn uses_gold_leaf = True, füge 1 Punkt zum SAA hinzu.
4. Wenn has_signature = True, füge 1 Punkt zum SAA hinzu.
5. Wenn num_colors > 65 und colorfulness > 0.7, füge 2 Punkte zum SAA hinzu.
6. Wenn contrast < 0.4 oder brightness < 0.45 oder brightness > 0.75, ziehe 1 Punkt vom SAA ab.

Nach der Berechnung des Scores erhält das Gemälde die Bezeichnung:

• Autentic: wenn SAA ≥ 5

• Incert: wenn SAA < 5

• Answer in der Einreichungsdatei wird Autentic oder Incert für jedes Gemälde aus test.csv sein.

Task 2 – Gruppierung der Gemälde nach Malerstil (40 Punkte)

Es ist bekannt, dass die Gemälde im Datensatz von 5 berühmten Malern erstellt wurden, aber die Information über den Maler ist nicht verfügbar.

Ihre Aufgabe ist es, jedem Gemälde aus test.csv eine numerische ID zwischen 0 und 4 zuzuweisen, sodass Gemälde desselben Malers dieselbe ID erhalten.

• Answer in der Einreichungsdatei wird die numerische ID (0, 1, 2, 3 oder 4) für jedes Gemälde aus test.csv sein.
• Alle Gemälde desselben Malers sollten dieselbe ID haben.

Task 3 – Preisschätzung der Gemälde (40 Punkte)

Für jedes Gemälde in train.csv haben wir einen spezifizierten Preis (Spalte target_price). Basierend auf den verfügbaren Informationen in train.csv, trainieren Sie ein Künstliche-Intelligenz-Modell, das in der Lage ist, für die Gemälde aus test.csv den Preis vorherzusagen.

Format der Einreichungsdatei

Die Datei submission.csv muss enthalten:

• SampleID - übernommen aus der Datei test.csv;
• subtaskID - kann sein: Task1, Task2, Task3;
• Answer - der berechnete oder geschätzte Wert für das durch SampleID angegebene Gemälde bei der durch subtaskID angegebenen Aufgabe.

Bewertung

Subtask 1 – Authentizitätsscore

Für diesen Subtask wird exakter Vergleich zwischen den eingereichten Antworten (Autentic / Incert) und den korrekten Bezeichnungen verwendet.

• Maximale Punktzahl wird nur vergeben, wenn alle Antworten korrekt sind.
• Wenn es falsche Antworten gibt, wird die Punktzahl proportional vergeben, unter Verwendung der einfachen Dreisatzregel.

Subtask 2 – Malergruppierung

Die Bewertung erfolgt unter Verwendung des Adjusted Rand Index (ARI).

• Maximale Punktzahl wird vergeben, wenn:

• Für Werte unter diesem Schwellenwert wird die Punktzahl proportional vergeben.

Subtask 3 – Preisvorhersage

Die Bewertung erfolgt unter Verwendung des Mean Absolute Error (MAE).

Regeln:

• MAE ≤ 600 → maximale Punktzahl
• MAE ≥ 2000 → 0 Punkte
• Für Werte zwischen diesen beiden Schwellenwerten wird die Punktzahl proportional vergeben.