Misión Juditis - 11/12

Contexto

A raíz de un fenómeno cósmico denominado Convergencia del Caos, personajes de múltiples universos de cómics se han reunido en una sola realidad. La Agencia Interdimensional de Monitoreo de Héroes (AIME) ha centralizado los datos sobre estos héroes para poder analizar rápidamente sus perfiles y tomar decisiones automatizadas.

Los datos registrados describen tanto características generales de los personajes como habilidades y estadísticas numéricas asociadas a ellos. El análisis de estos datos es importante para:

• extraer rápidamente estadísticas descriptivas sobre el dataset;
• reconstruir información faltante para nuevos personajes;
• clasificar habilidades basadas en otros rasgos disponibles.

Para resolver el 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, pero no incluye las columnas powerstats__combat y Super Strength, que deben ser predichas en el Task 3 y Task 4.

Los universos de los héroes

En el conjunto de datos aparecen personajes provenientes de varios universos editoriales, por ejemplo:

• Marvel Comics
• DC Comics
• Dark Horse Comics
• Image Comics
• Shueisha
• George Lucas
• Microsoft
• J. K. Rowling

En este problema, la noción de "universo" corresponde al valor en la columna Publisher.

Descripción del conjunto de datos

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

El conjunto de datos contiene:

• un identificador único: id;
• variables descriptivas sobre el personaje;
• variables binarias que indican la presencia o ausencia de ciertas habilidades;
• variables numéricas continuas de tipo powerstats__...;
• columnas adicionales con información sobre los héroes.

Ejemplos de columnas:

Requisitos

Task 1 - Número de universos distintos (10 puntos)

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

Task 2 - El Publisher con más héroes positivos (10 puntos)

Utilizando los datos del archivo train.csv, considera solo los personajes para los cuales Alignment = good.

Determina cuál es el publisher que contiene más héroes positivos.

En caso de empate, se elige el publisher que sea el primero en orden alfabético.

Task 3 - Predicción de powerstats__combat (40 puntos)

Basándote en los datos del archivo train.csv, entrena un modelo capaz de predecir los valores del atributo powerstats__combat para cada personaje en test.csv.

Task 4 - Predicción de la habilidad Super Strength (40 puntos)

Basándote en los datos del archivo train.csv, entrena un modelo capaz de predecir los valores del atributo Super Strength para cada personaje en test.csv.

Los valores permitidos son (las predicciones deben ser etiquetas binarias finales, no probabilidades):

10.021.0

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 el Task 1 y Task 2, la respuesta es global y se envía utilizando el valor especial GLOBAL en la columna id.

Ejemplo de archivo submission.csv

1id,subtaskID,answer2GLOBAL,task1,13GLOBAL,task2,Cartoon Network443,task3,2.57550,task3,5.1761,task4,0.074,task4,1.0

Evaluación

El puntaje total es de 100 puntos.

Task 1 (10 puntos)

La evaluación se realiza mediante la comparación exacta entre el valor enviado y la respuesta correcta.

Task 2 (10 puntos)

La evaluación se realiza mediante la comparación exacta entre el valor enviado y la respuesta correcta.

Task 3 (40 puntos)

Para el Task 3 se utiliza la métrica MAE (Mean Absolute Error).

El puntaje se otorga de la siguiente manera:

• si MAE ≤ 12.0, se otorgan 40 puntos;
• si MAE ≥ 30.0, se otorgan 0 puntos;
• para valores intermedios, el puntaje se interpola linealmente.

La fórmula utilizada es:

1score_task3 = 40 × (30 - MAE) / (30 - 12), para 12 < MAE < 30

Task 4 (40 puntos)

Para el Task 4 se utiliza la métrica Accuracy.

El puntaje se otorga de la siguiente manera:

• si Accuracy ≥ 0.90, se otorgan 40 puntos;
• si Accuracy ≤ 0.55, se otorgan 0 puntos;
• para valores intermedios, el puntaje se interpola linealmente.

La fórmula utilizada es:

1score_task4 = 40 × (Accuracy - 0.55) / (0.90 - 0.55), para 0.55 < Accuracy < 0.90