Mission Juditis - 11/12

Contexte

À la suite d'un phénomène cosmique appelé Convergence du Chaos, des personnages de plusieurs univers de bandes dessinées ont été réunis dans une seule réalité. L'Agence Interdimensionnelle de Surveillance des Héros (AIME) a centralisé les données sur ces héros afin de pouvoir analyser rapidement leurs profils et prendre des décisions automatisées.

Les données enregistrées décrivent à la fois les caractéristiques générales des personnages, ainsi que leurs capacités et statistiques numériques associées. L'analyse de ces données est importante pour :

• extraire rapidement des statistiques descriptives sur le dataset ;
• reconstruire des informations manquantes pour de nouveaux personnages ;
• classifier des capacités sur la base des autres traits disponibles.

Pour résoudre le problème, vous disposerez de deux fichiers :

• train.csv – contient des exemples étiquetés, utilisés pour l'analyse et l'entraînement des modèles ;
• test.csv – contient les mêmes variables, mais n'inclut pas les colonnes powerstats__combat et Super Strength, qui doivent être prédites dans le Task 3 et le Task 4.

Les univers des héros

Dans le jeu de données apparaissent des personnages provenant de plusieurs univers éditoriaux, par exemple :

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

Dans ce problème, la notion d'« univers » correspond à la valeur de la colonne Publisher.

Description du jeu de données

Chaque ligne des fichiers train.csv et test.csv correspond à un personnage.

Le jeu de données contient :

• un identifiant unique : id ;
• des variables descriptives sur le personnage ;
• des variables binaires indiquant la présence ou l'absence de certaines capacités ;
• des variables numériques continues de type powerstats__... ;
• des colonnes supplémentaires avec des informations sur les héros.

Exemples de colonnes :

Exigences

Task 1 - Nombre d'univers distincts (10 points)

En utilisant les données du fichier train.csv, déterminez combien de valeurs distinctes apparaissent dans la colonne Publisher.

Task 2 - L'éditeur avec le plus de héros positifs (10 points)

En utilisant les données du fichier train.csv, considérez uniquement les personnages pour lesquels Alignment = good.

Déterminez quel est l'éditeur qui contient le plus de héros positifs.

En cas d'égalité, on choisit l'éditeur qui apparaît en premier dans l'ordre alphabétique.

Task 3 - Prédiction de powerstats__combat (40 points)

Sur la base des données du fichier train.csv, entraînez un modèle capable de prédire les valeurs de l'attribut powerstats__combat pour chaque personnage de test.csv.

Task 4 - Prédiction de la capacité Super Strength (40 points)

Sur la base des données du fichier train.csv, entraînez un modèle capable de prédire les valeurs de l'attribut Super Strength pour chaque personnage de test.csv.

Les valeurs autorisées sont (les prédictions doivent être des étiquettes binaires finales, pas des probabilités) :

10.021.0

Format du fichier de soumission

Le fichier de soumission doit être au format csv et contenir les colonnes suivantes :

Les valeurs possibles pour subtaskID sont :

Pour le Task 1 et le Task 2, la réponse est globale et se transmet en utilisant la valeur spéciale GLOBAL dans la colonne id.

Exemple de fichier submission.csv

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

Évaluation

Le score total est de 100 points.

Task 1 (10 points)

L'évaluation se fait par comparaison exacte entre la valeur envoyée et la réponse correcte.

Task 2 (10 points)

L'évaluation se fait par comparaison exacte entre la valeur envoyée et la réponse correcte.

Task 3 (40 points)

Pour le Task 3, la métrique MAE (Mean Absolute Error) est utilisée.

Le score est attribué comme suit :

• si MAE ≤ 12.0, 40 points sont accordés ;
• si MAE ≥ 30.0, 0 point est accordé ;
• pour les valeurs intermédiaires, le score est interpolé linéairement.

La formule utilisée est :

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

Task 4 (40 points)

Pour le Task 4, la métrique Accuracy est utilisée.

Le score est attribué comme suit :

• si Accuracy ≥ 0.90, 40 points sont accordés ;
• si Accuracy ≤ 0.55, 0 point est accordé ;
• pour les valeurs intermédiaires, le score est interpolé linéairement.

La formule utilisée est :

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