Ősi képek hitelesítése

Feladat leírása

Egy ideje tanulmányozod a Mesterséges Intelligenciát. Apád egy régi barátja, aki híres régész és művészeti kritikus, hallott erről és segítséget kért tőled. Egy algoritmust kell tervezned, amely képes az antik festményeket vagy eredeti darabokként, vagy másolatokként osztályozni.

Mivel a szakmai hitelesítés költséges, a kutatócsoport csak a festmények kis részéhez szerzett hitelességi címkéket. A minták többségénél a hitelesség ismeretlen marad. Ismert, hogy a festmények digitális jellemzői erős strukturális mintákat mutatnak. A feladatod az, hogy minden rendelkezésre álló mintát felhasználj - beleértve az ismeretlen címkéjűeket is - az antik festmények hitelességi osztályozási modelljének betanításához.

Adathalmaz

Az adathalmaz egy tanító halmazból, egy validációs halmazból és egy teszt halmazból áll, mindegyik 500 független mintát tartalmaz.

Tanító halmaz (training_set.csv)

• Az első oszlop a festmény azonosítóját jelenti (SampleID).
• A következő hat oszlop az egyes antik festmények digitális jellemzőit jelenti (feature1, feature2, feature3, feature4, feature5, feature6).
• A hetedik oszlop (label) a címkét tartalmazza: 1 eredeti esetén, -1 másolat esetén és 0 ismeretlen esetén.

A tanító halmaz a modellek betanításához használatos és közvetlenül elérhető és letölthető a verseny alatt.

Validációs halmaz (validation_set.csv)

• Ezek hasonlóak a tanító halmaz formátumához, de nem tartalmazzák a címke oszlopot.

⚠️ A validációs halmaz az A Rangsor (nyilvános) pontszámának kiszámításához használatos és nem volt közvetlenül elérhető a verseny alatt.

Teszt halmaz (test_set.csv)

• Ezek hasonlóak a tanító halmaz formátumához, de nem tartalmazzák a címke oszlopot.

⚠️ A teszt halmaz a B Rangsor (privát) pontszámának kiszámításához használatos és nem volt közvetlenül elérhető a verseny alatt.

Feladat

A feladatod egy megfelelő modell betanítása, amely képes megjósolni a teszt halmazokban lévő festmények hitelességét, a nagy számú címkézetlen minta ellenére.

Beadás

Egy submission.csv fájlt kell generálnod, amely a következő formátumú lesz:

1SampleID, ClasamentType, label2VALIDATION_001, A, 13TEST_001, B, 1

ahol:

• SampleID a festmény azonosítóját jelenti (a validation_set.csv vagy test_set.csv fájlban megadva).
• ClasamentType A értékű lesz a validation_set.csv festményeire és B értékű lesz a test_set.csv festményeire.
• label a modell által megjósolt címke.

Pontszám

Az értékelési metrika az osztályozási pontosság lesz, amely a helyesen megjósolt minták arányaként van definiálva az összes értékelt minta számából.

A végső pontszám a következő szabályok alapján elért pontosság alapján kerül kiszámításra:

• accuracy ≥ 0.9 → 100 pont
• accuracy ≤ 0.5 → 0 pont
• A köztes értékekre arányos pontszám jár 0 és 100 között.