Descrierea Problemei: Fire Distinguisher

Context

SafeDrive Technologies, o companie pionieră în domeniul siguranței auto, dezvoltă un sistem inteligent de prevenire a dezastrelor pentru vehicule moderne. Cu creșterea incidentelor cauzate de supraîncălzire și scurgeri de gaze, compania are nevoie de un Fire Distinguisher - un sistem AI capabil să detecteze în timp real anomalii periculoase și să le clasifice corect.

Tu ești inginerul principal de Machine Learning. Sarcina ta: să construiești sistemul de detectare care poate salva vieți.

Descrierea Datelor

Datele provin de la senzori montați în vehicule experimentale, colectate la intervale de 1 secundă:

Senzori Input:

• id: id asociat înregistrării
• gas_raw: Concentrația brută de gaz detectată
• temp_c: Temperatura în grade Celsius
• flame: Senzor binar de flacără (0 = absent, 1 = prezent)
• gas_avg: Media mobilă a concentrației de gaz
• temp_avg: Media mobilă a temperaturii
• dGas: Rata de schimbare a gazului
• dTemp: Rata de schimbare a temperaturii
• sensor_noise: Zgomot introdus de senzor
• timestamp_ms: Timestamp Unix în milisecunde
• sensor_id: ID-ul senzorului (S001-S005)
• battery_level: Nivelul bateriei senzorului
• vehicle_speed: Viteza vehiculului
• weather_condition: Condiția meteo (sunny, rainy, cloudy, foggy)
• gas_sensor_drift: Deriva senzorului de gaz
• ambient_temp: Temperatura ambientală

Target:

• label: Tipul hazardului
  • NORMAL: Condiții sigure
  • GAS_LEAK: Scurgere de gaz detectată
  • OVERHEAT: Supraîncălzire periculoasă
  • FIRE: Incendiu activ

Fișiere Furnizate

• train.csv: Date de antrenament cu toate coloanele (inclusiv label)
• test.csv: Date de test fără coloana label

Cerințele Misiunii

Subtask 1: Profilul hazardurilor (20 puncte)

Echipa de siguranță vrea să înțeleagă distribuția și caracteristicile hazardurilor în datele de antrenament.

Sarcina ta: Pentru train.csv, calculează următoarele 12 statistici:

1. Procentul de citiri pentru fiecare tip de hazard (4 valori: NORMAL, GAS_LEAK, OVERHEAT, FIRE) - rotunjit la 2 zecimale
2. Temperatura medie pentru fiecare tip de hazard (4 valori) - rotunjită la 1 zecimală
3. Concentrația medie de gaz pentru fiecare tip de hazard (4 valori) - rotunjită la 1 zecimală

Ieșire: 12 valori numerice (4 procente + 4 temperaturi + 4 concentrații gaz).

Exemplu: Pentru NORMAL: 45.32% din citiri, temperatura medie 32.5°C, gaz mediu 245.3

Subtask 2: Scorul de anomalie (15 puncte)

Echipa de siguranță vrea să identifice citirile anormale care ar putea indica situații
periculoase. Citirile normale formează un pattern în spațiul feature-urilor — sarcina ta
este să măsori cât de departe este fiecare citire din test față de acest pattern.

1. Selectează cele mai relevante features

• Identifică top 6 atribute numerice care au cea mai puternică corelație Spearman cu
  tipul de hazard (encodat: NORMAL=0, GAS_LEAK=1, OVERHEAT=2, FIRE=3)
• În caz de egalitate, folosește ordinea alfabetică

2. Pregătește datele

• Înlocuiește valorile lipsă cu mediana (calculată doar pe train)
• Scalează datele folosind standardizare (antrenată pe train, aplicată pe test)

3. Definește profilul NORMAL

• Folosește doar înregistrările cu label == "NORMAL" din train pentru a stabili
  ce înseamnă "comportament normal"

4. Calculează scorul de anomalie

• Pentru fiecare citire din test, calculează distanța Mahalanobis față de centrul
  distribuției NORMAL
• Formula: d = sqrt((x - mu)^T * Sigma^(-1) * (x - mu))
  • mu = media vectorială a înregistrărilor NORMAL
  • Sigma = matricea de covarianță a înregistrărilor NORMAL
  • Pentru stabilitate numerică, adaugă o mică regularizare înainte de inversare:
    Sigma_reg = Sigma + I * 1e-6, unde I este matricea identitate
• Rotunjește la 2 zecimale

Ieșire: Scorul de anomalie pentru fiecare ID din test.csv.

Exemplu:

2,5234,8.92
2,6567,1.23
2,7891,14.45

Hint: În Python: scipy.spatial.distance.mahalanobis() sau calcul manual cu numpy.

Subtask 3: Nivelul de risc (15 puncte)

Scorul brut obținut nu este ușor de interpretat de echipa de teren. Transformă-l
în categorii de risc (LOW/MEDIUM/HIGH) folosind praguri bazate pe date istorice.

1. Calculează praguri pe baza train

• Aplică aceeași procedură din Subtask 2 pe toate înregistrările din train
• Calculează percentila 33 și percentila 66 ale acestor scoruri
• Acestea devin pragurile tale: p33 și p66

2. Clasifică fiecare citire din test

Ieșire: Nivelul de risc pentru fiecare ID din test.csv.

Exemplu:

3,5234,HIGH
3,6567,LOW
3,7891,HIGH

Subtask 4: Clasificatorul de hazarduri (50 puncte)

CORE MISSION! Acesta este creierul sistemului Fire Distinguisher. În fiecare secundă, sute de vehicule transmit date, iar sistemul tău trebuie să decidă instant: e totul normal sau există un pericol? O greșeală la detecția unui incendiu poate costa vieți. SafeDrive contează pe tine să construiești cel mai precis clasificator posibil.

Sarcina ta: Pentru fiecare înregistrare din test.csv:

• Prezice label_name (NORMAL / GAS_LEAK / OVERHEAT / FIRE)
• Construiește un model de clasificare multi-class folosind feature-urile disponibile

Ieșire: Label-ul prezis (NORMAL, GAS_LEAK, OVERHEAT, sau FIRE) pentru fiecare citire din test.

Evaluare

Scor final: 100 puncte maxim.

Formatul Fișierului de Trimitere (submission.csv)

Structura: subtaskID,datapointID,answer

Detalii:

Subtask 1: 12 rânduri cu statistici fixe

• datapointID 1-4: Procente pentru NORMAL, GAS_LEAK, OVERHEAT, FIRE
• datapointID 5-8: Temperaturi medii pentru cele 4 clase
• datapointID 9-12: Concentrații medii gaz pentru cele 4 clase

Subtask 2: N rânduri

• datapointID = id din test.csv
• answer = scorul de anomalie Mahalanobis (rotunjit la 2 zecimale)

Subtask 3: N rânduri

• datapointID = id din test.csv
• answer = nivelul de risc (LOW, MEDIUM, sau HIGH)

Subtask 4: N rânduri

• datapointID = id din test.csv
• answer = label prezis (NORMAL, GAS_LEAK, OVERHEAT, FIRE)