Ladataan...
Vaikeustaso
Paras tuloksesi
Ei saatavilla
Tämän tehtävän tavoitteena on tunnistaa vilpilliset luottokorttitapahtumat todellisen, anonymisoidun tietoaineiston perusteella. Tehtävä heijastaa reaalimaailman skenaariota, jossa data on voimakkaasti epätasapainoista ja petolliset tapahtumat ovat harvinaisia.
Projekti käyttää kahta CSV-tiedostoa:
train.csv - opetusaineistotest.csv - testausaineisto| Sarake | Kuvaus |
|---|---|
| id | Jokaisen tapahtuman yksilöllinen tunniste |
| Time | Ensimmäisestä tapahtumasta kuluneet sekunnit |
| V1 - V28 | Anonymisoidut piirteet |
| Amount | Tapahtuman arvo |
| Class | Kohdemuuttuja (0 = laillinen tapahtuma, 1 = petos) |
Huomautus: Sarake Class on saatavilla vain tiedostossa train.csv.
Tärkeä huomio: Tietoaineisto on erittäin epätasapainoinen, joten tarkkuus (accuracy) ei ole relevantti mittari luokittelumallien arvioinnissa.
Määritä, kuinka monen petollisen tapahtuman Amount on suurempi kuin laillisten tapahtumien keskimääräinen Amount.
Vastaus on kokonaisluku.
Arvioi, kuinka "epänormaaleja" petolliset tapahtumat ovat käyttämällä Mahalanobis-etäisyyttä, joka huomioi kaikki numeeriset muuttujat samanaikaisesti (Amount + V1-V28).
Ehdotetut vaiheet:
Class = 1) tiedostosta train.csv.Ennusta jokaiselle test.csv-tiedoston tapahtumalle petosleima:
1 = petos0 = laillinen tapahtumaPääasiallinen mittari: F1-score luokalle 1.
| F1-score | Pisteet |
|---|---|
| F1 >= 0.85 | 80 pistettä |
| F1 < 0.60 | 0 pistettä |
| Välillä | Lineaarinen skaalaus välillä 0–80 |
Palautustiedoston on oltava CSV-muodossa seuraavilla sarakkeilla:
| Sarake | Kuvaus |
|---|---|
| subtaskID | Alitehtävän numero (1, 2 tai 3) |
| datapointID | Havainnon tunniste |
| answer | Vastaus tai ennuste |
Säännöt:
datapointID = 1 (yksi vastaus).test.csv-tiedoston tapahtumalle, jossa datapointID = sarakkeen id arvo.Esimerkki:
subtaskID,datapointID,answer1,1,422,1,0.273,227846,13,227847,03,227848,0Huomautus: Tämän tehtävän ratkaiseminen ei edellytä Transformer-arkkitehtuurien käyttöä.