Eksami tulemuse ennustamine - OJIA 3 simulatsioon

🏫 Eksamitulemuse ennustamine

Selle ülesande jaoks peate implementeerima regressioonimudeli, mis suudab ennustada eksamil saadud tulemust (Exam_Score) kasutades saadaolevat andmestikku. Andmestik on organiseeritud CSV-faili, ning mudeli jõudlust hinnatakse Mean Absolute Error (MAE) alusel.

---

🔹 Andmestik

Andmestik sisaldab järgmisi veerge:

• ID: Õpilase unikaalne identifitseerimisnumber
• Hours_Studied: Õppimisele kulutatud tundide arv
• Attendance: Loengute külastusprotsent
• Parental_Involvement: Vanemate kaasatuse tase (Low, Medium, High)
• Access_to_Resources: Juurdepääs haridusressurssidele (Low, Medium, High)
• Extracurricular_Activities: Osalemine koolivälistes tegevustes (Yes/No)
• Sleep_Hours: Keskmine unetundide arv öö kohta
• Previous_Scores: Varasematel eksamitel saadud tulemused
• Motivation_Level: Motivatsiooni tase (Low, Medium, High)
• Internet_Access: Internetijuurdepääs õppimiseks (Yes/No)
• Tutoring_Sessions: Eraõpetuse sessioonide arv
• Family_Income: Perekonna sissetulek (Low, Medium, High)
• Teacher_Quality: Õpilase poolt tajutud õpetajate kvaliteet (Low, Medium, High)
• School_Type: Kooli tüüp (Public/Private)
• Peer_Influence: Kaaslaste mõju õpilasele (Negative, Neutral, Positive)
• Physical_Activity: Füüsilise aktiivsuse tundide arv nädalas
• Learning_Disabilities: Õpiraskuste olemasolu (Yes/No)
• Parental_Education_Level: Vanemate haridustase (High School, College, Postgraduate)
• Distance_from_Home: Kaugus kodu ja kooli vahel (Near, Moderate, Far)
• Gender: Õpilase sugu (Male/Female)
• Exam_Score: Sihtvariabel, eksamil saadud tulemus (numbriline väärtus)

---

📚 Ülesanded

Alamülesanne 1 (10 punkti)

Arvutage Hours_Studied veeru väärtuste keskmine treeningandmestikul. Iga testi õpilase jaoks määrake Hours_Studied ja arvutatud keskmise vahe absoluutväärtus.

Alamülesanne 2 (10 punkti)

Määrake iga testi õpilase jaoks, kas ta magab vähe (<7 tundi). Tulemus on True või False.

Alamülesanne 3 (10 punkti)

Loendage, mitu õpilast treeningandmestikust on saanud varasema tulemuse (Previous_Scores), mis on suurem või võrdne iga testi õpilase omaga.

Alamülesanne 4 (10 punkti)

Määrake treeningandmestiku õpilaste arv, kellel on sama motivatsiooni tase (Motivation_Level) kui igal testi õpilasel.

Alamülesanne 5 (60 punkti)

Ehitage regressioonimudel Exam_Score ennustamiseks antud tunnuste põhjal. Mudel peab üldistuma uutele andmetele ja seda hinnatakse MAE abil.

---

📊 Märkused andmestiku kohta

• Sihtvälj: Exam_Score
• Mudel tuleb treenida train_data.csv peal ja hinnata test_data.csv peal
• Soovitatav on kontrollida puuduvaid väärtusi ja normaliseerida tunnuseid.

---

⚙️ Hindamiskriteeriumid

• Jõudlus: Võimalikult väike MAE

---

📨 Esitamisfaili formaat

Esitamisfail peab olema CSV täpselt kolme veeruga:

Veerg	Tüüp	Kirjeldus
subtaskID	integer	Alamülesande ID (1-st 5-ni).
datapointID	integer/string	Testiandmestiku rea unikaalne identifikaator (ID).
answer	float / int / bool	Vastus vastavale alamülesandele. Väärtuse tüüp sõltub alamülesandest: • Alamülesanne 1: float • Alamülesanne 2: boolean • Alamülesanne 3: integer • Alamülesanne 4: integer • Alamülesanne 5: float (mudeli ennustused)

🔹 Näited

subtaskID	datapointID	answer
1	101	12.5
2	101	True
3	101	7
4	101	3
5	101	85.3

Oluline: Iga CSV rida esindab vastust ühele alamülesandele ja ühele andmepunktile. Iga datapointID jaoks peab olema üks rida iga alamülesande kohta.

---

📝 Märkus

Sample_output esitamine annab 6 punkti.

🗂️ Kasulikud ressursid

• Täielik Starter Kit – sisaldab skeletti, millest saate ülesande lahendamist alustada