Éves jövedelem előrejelzése (Adult Income)

📖 Éves jövedelem előrejelzése (Adult Income)

Adattudósként vettek fel egy kis „gazdasági előrejelző laboratóriumba". A feladatod az, hogy kiderítsd, ki lépi át az évi 50 000 USD álomhatárt és ki nem, oktatási, munkahelyi és mindennapi életre vonatkozó valós adatok alapján. Két szocioökonómiai adatokat tartalmazó fájl áll rendelkezésedre, az alábbiak szerint:

📋 Oszlopok leírása

Megjegyzés:
Az income oszlop csak a tanító adatokban (train.csv) érhető el.

🧩 Részfeladatok (Subtasks)

1. részfeladat (10 pont)

Elemezd a tanító adatokat (train.csv) és határozd meg:

Melyik az az United-States-től eltérő származási ország (native_country), ahol a legtöbb >50K jövedelemmel rendelkező személy él?

Az eredmény egy string legyen, az ország pontos nevével, ahogy az adatokban szerepel.

2. részfeladat (15 pont)

Elemezd a tanító adatokat (train.csv) és határozd meg:

Melyik foglalkozás (occupation) rendelkezik a legmagasabb >50K jövedelmi aránnyal?

Egy foglalkozás >50K jövedelmi arányát a következőképpen számítjuk ki: az adott foglalkozásban >50K jövedelemmel rendelkezők száma osztva az adott foglalkozásban dolgozók teljes számával.

Az eredmény egy string legyen, a foglalkozás pontos nevével, ahogy az adatokban szerepel.

3. részfeladat (55 pont)

Építs egy osztályozó modellt, amely képes megjósolni az income oszlop értékét a test.csv összes megfigyelésére.

A modellnek a két osztály egyikét kell visszaadnia:

• <=50K
• >50K

4. részfeladat (20 pont)

A profile_description oszlop szakmai profilok szöveges leírását tartalmazza. Alkalmazz egy klaszterezési (clustering) módszert ezen az oszlopon, hogy a test.csv megfigyeléseit csoportokba rendezd.

Add meg minden test.csv-beli megfigyeléshez a klaszter címkéjét (egész szám).

📊 Értékelés

1. részfeladat: Pontos egyezés a helyes válasszal.

2. részfeladat: Pontos egyezés a helyes válasszal.

3. részfeladat: Az értékelés a F1 Macro mutató alapján történik:

• f1_macro ≥ 0.80 → 55 pont
• f1_macro < 0.60 → 0 pont
• A köztes értékek arányosan kerülnek pontozásra 0 és 55 között.

4. részfeladat: Az értékelés az Adjusted Rand Index (ARI) alapján történik:

• ARI ≥ 0.90 → 20 pont
• ARI ≤ 0.00 → 0 pont
• A köztes értékek arányosan kerülnek pontozásra 0 és 20 között.

📄 Beküldési formátum

A beküldendő fájlnak CSV formátumúnak kell lennie, az alábbi oszlopokkal:

• subtaskID – a részfeladat indexe
• datapointID – egyedi azonosító az adatkészletből
• answer – a válasz vagy előrejelzés

Példa:

1subtaskID,datapointID,answer21,1,India32,2,Sales43,10001,<=50K53,10002,>50K64,10001,074,10002,2

Megjegyzés:

• Az 1. és 2. részfeladat esetén a datapointID értéke 1, illetve 2 kell legyen.
• A 3. és 4. részfeladat esetén a datapointID a test.csv-ben található sampleid értékével kell megegyezzen.

📊 Adatforrás

Adult / Census Income Dataset – UCI Machine Learning Repository