Pinturas famosas

Pinturas famosas

Contexto

Cuando nos referimos a cuadros famosos, debemos tener en cuenta también características objetivas como el tamaño del lienzo, el tipo de pincel con el que fue pintado, la complejidad visual o la densidad de colores, además de su calidad artística. La estimación automática del valor y la identificación del estilo del pintor pueden ayudar a coleccionistas y museos a analizar grandes colecciones de obras.

Para resolver este problema tendrás a disposición dos archivos:

• train.csv – contiene todas las variables, incluyendo target_price, para el entrenamiento de modelos
• test.csv – contiene las mismas variables, sin la columna target_price, y los datos de este archivo se usan para generar las predicciones

Descripción del conjunto de datos

Requisitos

Para este problema tienes que resolver 3 tareas.

Tarea 1 – Puntuación de autenticidad artística (20 puntos)

Recientemente, un algoritmo revolucionario ha sido descubierto por un grupo de investigadores en inteligencia artificial y arte. Este puede evaluar, basándose en las características objetivas del cuadro, si un cuadro es auténtico con seguridad o no.

Para cada cuadro, el algoritmo calcula una Puntuación de Autenticidad Artística (PAA) usando las siguientes reglas:

1. Si stroke_density > 0.7, añade 2 puntos a PAA.
2. Si complexity > 0.65, añade 2 puntos a PAA.
3. Si uses_gold_leaf = True, añade 1 punto a PAA.
4. Si has_signature = True, añade 1 punto a PAA.
5. Si num_colors > 65 y colorfulness > 0.7, añade 2 puntos a PAA.
6. Si contrast < 0.4 o brightness < 0.45 o brightness > 0.75, resta 1 punto de PAA.

Después de calcular la puntuación, el cuadro recibe la etiqueta:

• Auténtico: si PAA ≥ 5

• Incierto: si PAA < 5

• Answer en el archivo de envío será Auténtico o Incierto para cada cuadro en test.csv.

Tarea 2 – Agrupación de cuadros por estilo del pintor (40 puntos)

Se sabe que los cuadros del conjunto de datos han sido realizados por 5 pintores famosos, pero la información sobre el pintor no está disponible.

Vuestra tarea es asignar a cada cuadro en test.csv un ID numérico entre 0 y 4, de manera que los cuadros realizados por el mismo pintor reciban el mismo ID.

• Answer en el archivo de envío será el ID numérico (0, 1, 2, 3 o 4) para cada cuadro en test.csv.
• Todos los cuadros realizados por el mismo pintor deberían tener el mismo ID.

Tarea 3 – Estimación del precio de los cuadros (40 puntos)

Para cada cuadro incluido en train.csv tenemos especificado un precio (columna target_price). Basándose en la información disponible en train.csv, entrenen un modelo de Inteligencia Artificial que sea capaz de predecir para los cuadros en test.csv el precio.

Formato del archivo de envío

El archivo submission.csv debe contener:

• SampleID - tomado del archivo test.csv;
• subtaskID - puede ser: Task1, Task2, Task3;
• Answer - el valor calculado o estimado para el cuadro indicado por SampleID en la tarea indicada por subtaskID.

Evaluación

Subtarea 1 – Puntuación de autenticidad

Para esta subtarea se usa comparación exacta entre las respuestas enviadas (Auténtico / Incierto) y las etiquetas correctas.

• Puntuación máxima se otorga solo si todas las respuestas son correctas.
• Si hay respuestas incorrectas, la puntuación se otorga proporcionalmente, usando la regla de 3 simple.

Subtarea 2 – Agrupación pintores

La evaluación se hace usando Adjusted Rand Index (ARI).

• Puntuación máxima se otorga si:

• Para valores bajo este umbral, la puntuación se otorga proporcionalmente.

Subtarea 3 – Predicción del precio

La evaluación se hace usando Mean Absolute Error (MAE).

Reglas:

• MAE ≤ 500 → puntuación máxima
• MAE ≥ 2000 → 0 puntos
• Para valores entre estos dos umbrales, la puntuación se otorga proporcionalmente.