Robots en el laberinto - 9/10

Contexto

En un centro de investigación de sistemas autónomos se prueban varios tipos de robots. Para estos experimentos se han utilizado varios tipos de arenas, y cada robot sigue una determinada estrategia de exploración. Durante cada experimento, el robot está equipado con un conjunto de sensores y sistemas de monitoreo que recopilan información sobre su actividad. Los datos registrados describen diferentes aspectos del comportamiento del robot y del entorno en el que opera.
Estos pueden incluir valores numéricos (por ejemplo, velocidad media, distancia recorrida, número de colisiones u objetos recolectados), pero también información categórica o descriptiva (como el tipo de arena o las condiciones ambientales). Mediante el análisis de estos datos, se pueden observar patrones en la forma en que los robots se desplazan, exploran el espacio, recolectan objetos o reaccionan ante obstáculos.

El análisis de estos datos es importante para:

• identificar la estrategia seguida por un robot basándose en el comportamiento observado;
• comprender los rasgos que diferencian las estrategias entre sí;
• construir modelos capaces de reconocer automáticamente los patrones de exploración.

Para resolver este problema, tendrás a tu disposición dos archivos:

• train.csv – contiene ejemplos etiquetados, utilizados para el análisis y el entrenamiento de modelos;
• test.csv – contiene las mismas variables, sin la columna strategy_label, y se utiliza para generar las predicciones.

Estrategias de los robots

En los experimentos se utilizan cuatro tipos de estrategias:

• explorer – robot que intenta visitar tantas zonas diferentes como sea posible;
• collector – robot que se enfoca en la recolección de objetos;
• guardian – robot que patrulla y regresa frecuentemente a las mismas regiones;
• sprinter – robot que se desplaza rápidamente, con énfasis en la velocidad y la cobertura en poco tiempo.

Descripción del conjunto de datos

Cada línea de los archivos train.csv y test.csv corresponde a un experimento.

El conjunto de datos contiene columnas que describen diferentes aspectos del comportamiento del robot. Ejemplos de tales características son:

Requisitos

Tarea 1 - Número de tipos de arenas (15 puntos)

Usando los datos del archivo train.csv, determina cuántos valores distintos aparecen en la columna arena_type.

Tarea 2 - Velocidad máxima observada (15 puntos)

Usando los datos del archivo train.csv, determina el máximo de los valores de la columna avg_speed_mps.

Tarea 3 - Arena más frecuentemente utilizada (10 puntos)

Basándote en los datos del archivo train.csv, determina cuál es el tipo de arena que aparece con más frecuencia en la columna arena_type.

Tarea 4 - Rendimiento máximo de recolección (10 puntos)

Basándote en los datos del archivo train.csv, determina el valor máximo de la columna items_collected.

Tarea 5 – Identificación de la estrategia del robot (50 puntos)

Construye un modelo que determine la estrategia del robot para cada experimento en test.csv.

Los valores posibles son:

1explorer2collector3guardian4sprinter

Formato del archivo de entrega

El archivo de entrega debe estar en formato csv y contener las siguientes columnas:

Los valores posibles para subtaskID son:

Para la Tarea 1 – Tarea 4, el resultado es un valor calculado globalmente basándose en los datos de train.csv.
En el archivo de entrega, este debe enviarse una sola vez, utilizando el valor especial GLOBAL para robot_id.

Para la Tarea 5, se debe reportar la estrategia predicha para cada robot en test.csv.

Los valores posibles son:

1explorer2collector3guardian4sprinter

Ejemplo de archivo submission.csv

1robot_id,subtaskID,answer2GLOBAL,1,103GLOBAL,2,4.314GLOBAL,3,forest5GLOBAL,4,76TR_1000,5,explorer7TR_1001,5,guardian8TR_1002,5,collector

Evaluación

La puntuación total es de 100 puntos.

Tarea 1 – Tarea 4 (50 puntos)

Para las primeras cuatro tareas, las respuestas se determinan exclusivamente basándose en los datos de train.csv.

La evaluación se realiza mediante comparación exacta (igualdad) entre el valor enviado en el archivo de entrega y el valor correcto calculado a partir de train.csv.

Tarea 5 – Identificación de la estrategia del robot (50 puntos)

Para esta tarea se evalúa la exactitud de las estrategias predichas para los robots de test.csv.

Se utiliza la métrica Macro-F1, que calcula la puntuación F1 para cada clase y luego realiza el promedio de estos valores.

Para una clase c:

La puntuación final Macro-F1 es el promedio de las puntuaciones F1 para todas las clases:

donde K es el número de clases. En este problema, K = 4.

La puntuación otorgada para la Tarea 5 es:

1score = 50 x MacroF1 (si MacroF1 < 0.93)2score = 50 (si MacroF1 >= 0.93)

⬇ Descargar Starter Kit