BAC bajo la lupa

Contexto

A lo largo de los años, los resultados del examen de Bachillerato ofrecen una imagen detallada sobre el rendimiento de los institutos de Rumania. Analizando datos históricos durante varios años, podemos descubrir tendencias, la evolución del rendimiento escolar y, a veces, resultados que salen del patrón.

En este contexto, el objetivo de este problema es analizar estadísticamente el rendimiento de los institutos en el Bachillerato, construir modelos predictivos e identificar resultados atípicos usando métodos de Machine Learning.

Descripción de los datos

Para resolver los requisitos de este problema tienes acceso a un dataset estructurado en forma de dos archivos csv: train.csv y test.csv. Este conjunto de datos contiene resultados agregados de los institutos en diferentes pruebas del examen de Bachillerato, para el período 2014–2023.

Cada fila del conjunto de datos (independientemente de si se trata del conjunto de entrenamiento o el de prueba) representa los resultados de un instituto, para una materia, en un año.

Columnas disponibles:

• id – identificador único de la fila
• an – año del examen
• liceu – nombre del instituto
• judet – provincia en la que se encuentra el instituto
• materie – disciplina de Bachillerato
• medie – promedio de las notas obtenidas por los estudiantes del instituto en la disciplina respectiva
• procent_reusita – porcentaje de estudiantes que aprobaron la prueba
• numar_candidati – número de candidatos
• preferinta_materie – porcentaje de estudiantes que eligieron la disciplina respectiva
• anomalie - puede tener el valor 0 si no se considera una situación anormal o el valor 1 si la situación es inusual.

Observación: Para cada instituto tenemos también algunas estadísticas generales. Para esas, en la columna materie encontramos el valor GENERAL.

El archivo train.csv contiene las estadísticas provenientes del período 2014-2022, y el archivo test.csv contiene los datos para el año 2023, pero las columnas medie y anomalie no están disponibles.

Requisitos

Requisito 1 - Identificación de la materia preferida (10 puntos)

Identifica cuál fue la materia con mayor preferencia en el año 2023 del COLEGIUL NATIONAL "UNIREA" FOCSANI, si excluimos la materia LIMBA ROMANA que fue obligatoria para todos los candidatos.

Requisito 2 - Identificación del año próspero para Informática (10 puntos)

Identifica en qué año del período 2014-2022 la materia INFORMATICA MI C-C++ tuvo la mayor popularidad en el COLEGIUL NATIONAL "UNIREA" FOCSANI. Consideramos que la popularidad está dada por el porcentaje de la columna preferinta_materie (cuanto mayor sea este porcentaje, tanto más consideraremos que la materia fue popular).

Requisito 3 - Estimación del rendimiento de los institutos (40 puntos)

Usando la información disponible en el archivo train.csv, estima el valor del promedio obtenido para cada fila del archivo test.csv (año 2023).

Para este requisito puedes utilizar cualquier método de análisis estadístico o modelado basado en los datos históricos, teniendo en cuenta:

• la materia analizada,
• el historial del instituto,
• la evolución en el tiempo de los resultados,
• el contexto general de los rendimientos a nivel provincial o nacional.

El objetivo es obtener estimaciones lo más cercanas posible a los valores reales.

Requisito 4 - Identificación de resultados atípicos (40 puntos)

Analiza los datos históricos del período 2014–2022 y decide, para cada fila del archivo test.csv, si el resultado correspondiente al año 2023 es:

• uno normal, o
• uno atípico, que se desvía significativamente del comportamiento habitual.

En la toma de decisión puedes tener en cuenta:

• el historial del instituto respectivo,
• las variaciones de un año a otro,
• las diferencias entre materias,
• la comparación con otros institutos similares.

El resultado final para cada fila debe ser una etiqueta binaria:

• 0 - resultado normal
• 1 - resultado atípico

Formato de la submisión

Para la evaluación automática debes cargar un archivo en formato csv con la siguiente estructura:

• id – identificador de la fila (correspondiente al de test.csv)
  • para la tarea 1, usarás el valor 1 para id
  • para la tarea 2, usarás el valor 2 para id
• subtaskID – identificador del requisito:
  • 1 para identificación de la materia preferida (requisito 1)
  • 2 para identificación del año próspero para Informática (requisito 2)
  • 3 para estimación del promedio (requisito 3)
  • 4 para identificación de resultados atípicos (requisito 4)
• answer – respuesta correspondiente al requisito:
  • para subtaskID = 1: nombre de la materia exactamente como aparece en el dataset
  • para subtaskID = 2: el año
  • para subtaskID = 3: un valor numérico (estimación del promedio)
  • para subtaskID = 4: 0 o 1

Evaluación

Para los requisitos 1–2 se evalúa exactamente (por comparación).

Para el requisito 3 la evaluación se hace usando Mean Absolute Error (MAE).

Reglas:

• MAE < 0.3 → puntaje máximo
• MAE > 1.0 → 0 puntos
• Para valores entre estos dos umbrales, el puntaje se otorga proporcionalmente.

Para el requisito 4, el puntaje se otorga en función de las siguientes reglas:

• AUC ≥ 0.95 → 40 puntos
• AUC ≤ 0.70 → 0 puntos
• El intervalo entre ellos: puntaje proporcional

⬇️ Descarga Starter Kit