Težina
Vaš najbolji rezultat
N/D
Regrutirani ste kao podatkovni znanstvenik u mali „laboratorij za ekonomska predviđanja". Vaš zadatak je otkriti tko probija granicu od 50.000 USD godišnje, a tko ne, koristeći stvarne podatke o obrazovanju, radu i svakodnevnom životu. Na raspolaganju imate dvije datoteke sa socio-ekonomskim podacima, opisanim u nastavku:
| Stupac | Opis |
|---|---|
| sampleid | Jedinstveni identifikator za svako zapažanje |
| age | Dob osobe |
| workclass | Vrsta poslodavca (npr: Private, Self-emp-not-inc itd.) |
| fnlwgt | Konačna težina iz popisa stanovništva (final weight) |
| education | Razina obrazovanja (npr: Bachelors, Masters itd.) |
| educational_num | Numerički prikaz razine obrazovanja |
| marital_status | Bračni status |
| occupation | Zanimanje |
| relationship | Odnos u kućanstvu |
| race | Rasa |
| gender | Spol |
| capital_gain | Kapitalni dobici |
| capital_loss | Kapitalni gubici |
| hours_per_week | Sati rada tjedno |
| native_country | Zemlja podrijetla |
| profile_description | Tekstualni opis profesionalnog profila |
| income | Godišnji prihod (<=50K / >50K) – ciljni stupac |
Napomena:
Stupac income dostupan je samo u podacima za treniranje (train.csv).
Analizirajte podatke za treniranje (train.csv) i odredite:
Koja je zemlja podrijetla (native_country), osim United-States, s najvećim brojem osoba koje imaju prihod >50K?
Rezultat mora biti string s točnim nazivom zemlje, onako kako se pojavljuje u podacima.
Analizirajte podatke za treniranje (train.csv) i odredite:
Koje je zanimanje (occupation) s najvećom stopom prihoda >50K?
Stopa prihoda >50K za zanimanje izračunava se kao: broj osoba s prihodom >50K u tom zanimanju, podijeljen s ukupnim brojem osoba u tom zanimanju.
Rezultat mora biti string s točnim nazivom zanimanja, onako kako se pojavljuje u podacima.
Izgradite model klasifikacije sposoban predvidjeti vrijednost stupca income za sva zapažanja u test.csv.
Model mora proizvesti jednu od dvije klase:
<=50K>50KStupac profile_description sadrži tekstualne opise profesionalnih profila. Primijenite metodu klasteriranja (clustering) na ovaj stupac kako biste grupirali zapažanja iz test.csv u klastere.
Vratite za svako zapažanje iz test.csv oznaku klastera (cijeli broj).
Podzadatak 1: Točno podudaranje s ispravnim odgovorom.
Podzadatak 2: Točno podudaranje s ispravnim odgovorom.
Podzadatak 3: Vrednovanje se vrši pomoću F1 Macro metrike:
f1_macro ≥ 0.80 → 55 bodovaf1_macro < 0.60 → 0 bodovaPodzadatak 4: Vrednovanje se vrši pomoću Adjusted Rand Index (ARI) metrike:
ARI ≥ 0.90 → 20 bodovaARI ≤ 0.00 → 0 bodovaDatoteka za slanje mora biti u CSV formatu, sa sljedećim stupcima:
subtaskID – indeks podzadatkadatapointID – jedinstveni identifikator iz skupa podatakaanswer – odgovor ili predviđanjePrimjer:
subtaskID,datapointID,answer1,1,India2,2,Sales3,10001,<=50K3,10002,>50K4,10001,04,10002,2Napomena:
datapointID mora biti 1, odnosno 2.datapointID mora biti vrijednost sampleid iz test.csv.Adult / Census Income Dataset – UCI Machine Learning Repository