בעיה #188
מחבר:Daniel Ion
רמת קושי
הציון הטוב ביותר שלך
לא זמין
SafeDrive Technologies, חברה חלוצה בתחום בטיחות הרכב, מפתחת מערכת חכמה למניעת אסונות עבור כלי רכב מודרניים. עם העלייה בתקריות הנגרמות כתוצאה מחימום יתר ודליפות גז, החברה זקוקה ל-Fire Distinguisher - מערכת AI המסוגלת לזהות בזמן אמת אנומליות מסוכנות ולסווג אותן בצורה נכונה.
אתה מהנדס ה-Machine Learning הראשי. המשימה שלך: לבנות את מערכת הזיהוי שיכולה להציל חיים.
הנתונים מגיעים מחיישנים המותקנים בכלי רכב ניסיוניים, ונאספו במרווחים של שנייה אחת:
id: מזהה המשויך לרשומהgas_raw: ריכוז הגז הגולמי שזוההtemp_c: הטמפרטורה במעלות צלזיוסflame: חיישן להבה בינארי (0 = נעדר, 1 = נוכח)gas_avg: ממוצע נע של ריכוז הגזtemp_avg: ממוצע נע של הטמפרטורהdGas: קצב שינוי הגזdTemp: קצב שינוי הטמפרטורהsensor_noise: רעש שהוכנס על ידי החיישןtimestamp_ms: חותמת זמן Unix במילישניותsensor_id: מזהה החיישן (S001-S005)battery_level: רמת הסוללה של החיישןvehicle_speed: מהירות הרכבweather_condition: מצב מזג האוויר (sunny, rainy, cloudy, foggy)gas_sensor_drift: סחיפת חיישן הגזambient_temp: טמפרטורת הסביבהlabel: סוג המפגע
train.csv: נתוני אימון עם כל העמודות (כולל label)test.csv: נתוני בדיקה ללא עמודת labelצוות הבטיחות רוצה להבין את ההתפלגות והמאפיינים של המפגעים בנתוני האימון.
המשימה שלך: עבור train.csv, חשב את 12 הסטטיסטיקות הבאות:
פלט: 12 ערכים מספריים (4 אחוזים + 4 טמפרטורות + 4 ריכוזי גז).
דוגמה: עבור NORMAL: 45.32% מהקריאות, טמפרטורה ממוצעת 32.5°C, גז ממוצע 245.3
צוות הבטיחות רוצה לזהות קריאות חריגות שעלולות להעיד על מצבים מסוכנים. קריאות נורמליות יוצרות דפוס (pattern) במרחב המאפיינים — המשימה שלך היא למדוד כמה רחוקה כל קריאה ב-test מדפוס זה.
1. בחר את המאפיינים (features) הרלוונטיים ביותר
NORMAL=0, GAS_LEAK=1, OVERHEAT=2, FIRE=3)2. הכן את הנתונים
3. הגדר את פרופיל ה-NORMAL
label == "NORMAL" מה-train כדי לקבוע מהי "התנהגות נורמלית"4. חשב את ציון האנומליה
d = sqrt((x - mu)^T * Sigma^(-1) * (x - mu))
mu = וקטור הממוצע של רשומות ה-NORMALSigma = מטריצת השונות המשותפת (covariance matrix) של רשומות ה-NORMALSigma_reg = Sigma + I * 1e-6, כאשר I היא מטריצת היחידהפלט: ציון האנומליה עבור כל ID ב-test.csv.
דוגמה:
2,5234,8.922,6567,1.232,7891,14.45רמז: ב-Python:
scipy.spatial.distance.mahalanobis()או חישוב ידני עם numpy.
הציון הגולמי שהתקבל אינו קל לפירוש על ידי צוות השטח. הפוך אותו לקטגוריות סיכון (LOW/MEDIUM/HIGH) באמצעות ספים המבוססים על נתונים היסטוריים.
1. חשב ספים על בסיס ה-train
p33 ו-p662. סווג כל קריאה מה-test
| תנאי | רמת סיכון | פירוש |
|---|---|---|
d < p33 | LOW | התנהגות כמעט נורמלית |
p33 ≤ d < p66 | MEDIUM | אנומליה קלה |
d ≥ p66 | HIGH | אנומליה משמעותית |
פלט: רמת הסיכון עבור כל ID ב-test.csv.
דוגמה:
3,5234,HIGH3,6567,LOW3,7891,HIGHCORE MISSION! זהו המוח של מערכת ה-Fire Distinguisher. בכל שנייה, מאות כלי רכב משדרים נתונים, והמערכת שלך חייבת להחליט באופן מיידי: האם הכל נורמלי או שיש סכנה? טעות בזיהוי שריפה עלולה לעלות בחיי אדם. SafeDrive סומכת עליך שתבנה את המסווג המדויק ביותר האפשרי.
המשימה שלך: עבור כל רשומה ב-test.csv:
label_name (NORMAL / GAS_LEAK / OVERHEAT / FIRE)פלט: התווית החזויה (NORMAL, GAS_LEAK, OVERHEAT, או FIRE) עבור כל קריאה ב-test.
| משימת משנה | ניקוד | קריטריון |
|---|---|---|
| 1 | 20 | כל הערכים נכונים |
| 2 | 15 | יחסי לאחוז הציונים הנכונים (סובלנות ±0.05) |
| 3 | 15 | יחסי לאחוז רמות הסיכון הנכונות |
| 4 | 50 | F1-Score Weighted Multi-Class: • F1 ≥ 0.90 ← 50 נקודות • F1 < 0.60 ← 0 נקודות • ערכי ביניים ← ליניארי. |
ציון סופי: 100 נקודות מקסימום.
submission.csv)מבנה: subtaskID,datapointID,answer
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | 1-12 | [ערכים סטטיסטיים] |
| 2 | [ID מתוך test.csv] | [ציון אנומליה: לדוגמה 8.92] |
| 3 | [ID מתוך test.csv] | [רמת סיכון: LOW/MEDIUM/HIGH] |
| 4 | [ID מתוך test.csv] | [תווית: NORMAL/GAS_LEAK/OVERHEAT/FIRE] |
פרטים:
משימת משנה 1: 12 שורות עם סטטיסטיקות קבועות
משימת משנה 2: N שורות
id מתוך test.csvמשימת משנה 3: N שורות
id מתוך test.csvLOW, MEDIUM, או HIGH)משימת משנה 4: N שורות
id מתוך test.csvNORMAL, GAS_LEAK, OVERHEAT, FIRE)