Zadatak #188
Autor:Daniel Ion
Težina
Vaš najbolji rezultat
N/D
SafeDrive Technologies, pionirska tvrtka u području automobilske sigurnosti, razvija inteligentni sustav za sprječavanje katastrofa u modernim vozilima. S porastom incidenata uzrokovanih pregrijavanjem i curenjem plina, tvrtka treba Fire Distinguisher - AI sustav sposoban detektirati opasne anomalije u stvarnom vremenu i ispravno ih klasificirati.
Vi ste glavni inženjer za Machine Learning. Vaš zadatak: izgraditi sustav detekcije koji može spasiti živote.
Podaci dolaze od senzora ugrađenih u eksperimentalna vozila, prikupljeni u intervalima od 1 sekunde:
id: ID povezan sa zapisomgas_raw: Sirova koncentracija detektiranog plinatemp_c: Temperatura u stupnjevima Celzijaflame: Binarni senzor plamena (0 = odsutan, 1 = prisutan)gas_avg: Pokretni prosjek koncentracije plinatemp_avg: Pokretni prosjek temperaturedGas: Brzina promjene plinadTemp: Brzina promjene temperaturesensor_noise: Šum koji uvodi senzortimestamp_ms: Unix timestamp u milisekundamasensor_id: ID senzora (S001-S005)battery_level: Razina baterije senzoravehicle_speed: Brzina vozilaweather_condition: Vremenski uvjeti (sunny, rainy, cloudy, foggy)gas_sensor_drift: Drift senzora plinaambient_temp: Ambijentalna temperaturalabel: Vrsta opasnosti
train.csv: Podaci za treniranje sa svim stupcima (uključujući label)test.csv: Testni podaci bez stupca labelSigurnosni tim želi razumjeti distribuciju i karakteristike opasnosti u podacima za treniranje.
Vaš zadatak: Za train.csv, izračunajte sljedećih 12 statistika:
Izlaz: 12 numeričkih vrijednosti (4 postotka + 4 temperature + 4 koncentracije plina).
Primjer: Za NORMAL: 45.32% očitanja, prosječna temperatura 32.5°C, prosječni plin 245.3
Sigurnosni tim želi identificirati abnormalna očitanja koja bi mogla ukazivati na opasne situacije. Normalna očitanja tvore obrazac u prostoru značajki — vaš zadatak je izmjeriti koliko je svako očitanje iz testa udaljeno od tog obrasca.
1. Odaberite najrelevantnije značajke (features)
NORMAL=0, GAS_LEAK=1, OVERHEAT=2, FIRE=3)2. Pripremite podatke
3. Definirajte profil NORMAL
label == "NORMAL" iz train skupa kako biste utvrdili što znači "normalno ponašanje"4. Izračunajte rezultat anomalije
d = sqrt((x - mu)^T * Sigma^(-1) * (x - mu))
mu = vektorski prosjek NORMAL zapisaSigma = kovarijacijska matrica NORMAL zapisaSigma_reg = Sigma + I * 1e-6, gdje je I identitetska matricaIzlaz: Rezultat anomalije za svaki ID iz test.csv.
Primjer:
2,5234,8.922,6567,1.232,7891,14.45Hint: U Pythonu:
scipy.spatial.distance.mahalanobis()ili ručni izračun s numpyjem.
Dobiveni sirovi rezultat nije lako interpretirati terenskom timu. Transformirajte ga u kategorije rizika (LOW/MEDIUM/HIGH) koristeći pragove temeljene na povijesnim podacima.
1. Izračunajte pragove na temelju train skupa
p33 i p662. Klasificirajte svako očitanje iz testa
| Uvjet | Razina rizika | Interpretacija |
|---|---|---|
d < p33 | LOW | Gotovo normalno ponašanje |
p33 ≤ d < p66 | MEDIUM | Blaga anomalija |
d ≥ p66 | HIGH | Značajna anomalija |
Izlaz: Razina rizika za svaki ID iz test.csv.
Primjer:
3,5234,HIGH3,6567,LOW3,7891,HIGHCORE MISSION! Ovo je mozak sustava Fire Distinguisher. Svake sekunde stotine vozila šalju podatke, a vaš sustav mora trenutno odlučiti: je li sve normalno ili postoji opasnost? Pogreška u detekciji požara može koštati živote. SafeDrive računa na vas da izgradite najprecizniji mogući klasifikator.
Vaš zadatak: Za svaki zapis iz test.csv:
label_name (NORMAL / GAS_LEAK / OVERHEAT / FIRE)Izlaz: Predviđeni label (NORMAL, GAS_LEAK, OVERHEAT ili FIRE) za svako očitanje iz testa.
| Subtask | Bodovi | Kriterij |
|---|---|---|
| 1 | 20 | Sve vrijednosti točne |
| 2 | 15 | Proporcionalno postotku točnih rezultata (tolerancija ±0.05) |
| 3 | 15 | Proporcionalno postotku točnih razina rizika |
| 4 | 50 | F1-Score Weighted Multi-Class: • F1 ≥ 0.90 → 50 bodova • F1 < 0.60 → 0 bodova • Intermedijarne vrijednosti → linearno. |
Konačni rezultat: maksimalno 100 bodova.
submission.csv)Struktura: subtaskID,datapointID,answer
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | 1-12 | [Vrijednosti statistika] |
| 2 | [ID iz test.csv] | [Rezultat anomalije: npr. 8.92] |
| 3 | [ID iz test.csv] | [Razina rizika: LOW/MEDIUM/HIGH] |
| 4 | [ID iz test.csv] | [Label: NORMAL/GAS_LEAK/OVERHEAT/FIRE] |
Detalji:
Subtask 1: 12 redaka s fiksnim statistikama
Subtask 2: N redaka
id iz test.csvSubtask 3: N redaka
id iz test.csvLOW, MEDIUM ili HIGH)Subtask 4: N redaka
id iz test.csvNORMAL, GAS_LEAK, OVERHEAT, FIRE)