BAC nagyító alatt

Kontextus

Az évek során az érettségi vizsgák eredményei részletes képet nyújtanak a romániai líceumok teljesítményéről. Több évre kiterjedő történeti adatok elemzésével trendeket fedezhetünk fel, nyomon követhetjük az iskolai teljesítmény alakulását, és időnként olyan eredményeket találhatunk, amelyek kilógnak a sorból.

Ebben a kontextusban ennek a feladatnak a célja az, hogy statisztikailag elemezzük a líceumok érettségi teljesítményét, prediktív modelleket építsünk és atipikus eredményeket azonosítsunk Machine Learning módszerek használatával.

Az adatok leírása

A feladat követelményeinek megoldásához hozzáférésetek van egy strukturált adathalmazhoz két csv fájl formájában: train.csv és test.csv. Ez az adathalmaz a líceumok összesített eredményeit tartalmazza az érettségi vizsga különböző tárgyaiból a 2014–2023 időszakra vonatkozóan.

Az adathalmaz minden sora (függetlenül attól, hogy a tanító vagy a teszt halmazról van szó) egy líceum eredményeit reprezentálja egy tárgyból, egy évben.

Elérhető oszlopok:

• id – a sor egyedi azonosítója
• an – a vizsga éve
• liceu – a líceum neve
• judet – a megye, ahol a líceum található
• materie – az érettségi tantárgy
• medie – a líceum tanulói által az adott tantárgyból elért jegyek átlaga
• procent_reusita – a vizsgát sikeresen teljesítő tanulók százaléka
• numar_candidati – a jelöltek száma
• preferinta_materie – az adott tantárgyat választó tanulók százaléka
• anomalie - 0 értéket vehet fel, ha nem tekinthető rendellenes helyzetnek, vagy 1 értéket, ha a helyzet szokatlan.

Megjegyzés: Minden líceumhoz vannak általános statisztikáink is. Ezeknél a materie oszlopban a GENERAL értéket találjuk.

A train.csv fájl a 2014-2022 időszakból származó statisztikákat tartalmazza, míg a test.csv fájl a 2023 évre vonatkozó adatokat, azonban a medie és anomalie oszlopok nem érhetők el.

Követelmények

1. követelmény - A kedvelt tárgy azonosítása (10 pont)

Azonosítsátok, hogy melyik volt a legnagyobb preferenciával rendelkező tárgy 2023-ban a COLEGIUL NATIONAL "UNIREA" FOCSANI-ban, ha kizárjuk a LIMBA ROMANA tárgyat, amely minden jelölt számára kötelező volt.

2. követelmény - Az informatika virágzó évének azonosítása (10 pont)

Azonosítsátok, hogy a 2014-2022 időszak melyik évében volt a legnagyobb népszerűsége az INFORMATICA MI C-C++ tárgynak a COLEGIUL NATIONAL "UNIREA" FOCSANI-ban. A népszerűséget a preferinta_materie oszlop százalékos értéke alapján ítéljük meg (minél magasabb ez a százalék, annál népszerűbbnek tekintjük a tárgyat).

3. követelmény - A líceumok teljesítményének becslése (40 pont)

A train.csv fájlban elérhető információk felhasználásával becsüljétek meg az elért átlag értékét a test.csv fájl minden sorára (2023-as év).

Ehhez a követelményhez bármilyen statisztikai elemzési vagy modellezési módszert használhattok a történeti adatok alapján, figyelembe véve:

• az elemzett tárgyat,
• a líceum múltját,
• az eredmények időbeli alakulását,
• a teljesítmények általános kontextusát megyei vagy országos szinten.

A cél a lehető legpontosabb becslések elérése.

4. követelmény - Atipikus eredmények azonosítása (40 pont)

Elemezzétek a 2014–2022 időszak történeti adatait és döntsetek el a test.csv fájl minden sorára vonatkozóan, hogy a 2023-as évnek megfelelő eredmény:

• normális, vagy
• atipikus, amely jelentősen eltér a szokásos viselkedéstől.

A döntéshozatalban figyelembe vehetitek:

• az adott líceum múltját,
• az évről évre történő változásokat,
• a tárgyak közötti különbségeket,
• a hasonló líceumokkal való összehasonlítást.

A végső eredménynek minden sorra egy bináris címkének kell lennie:

• 0 - normális eredmény
• 1 - atipikus eredmény

A beadás formátuma

Az automatikus értékeléshez fel kell töltenetek egy csv formátumú fájlt a következő struktúrával:

• id – a sor azonosítója (a test.csv-ben lévőnek megfelelően)
  • az 1. feladathoz a 1 értéket használjátok az id-hoz
  • a 2. feladathoz a 2 értéket használjátok az id-hoz
• subtaskID – a követelmény azonosítója:
  • 1 a kedvelt tárgy azonosításához (1. követelmény)
  • 2 az informatika virágzó évének azonosításához (2. követelmény)
  • 3 az átlag becsléshez (3. követelmény)
  • 4 az atipikus eredmények azonosításához (4. követelmény)
• answer – a követelménynek megfelelő válasz:
  • subtaskID = 1 esetén: a tárgy neve pontosan úgy, ahogy az adathalmazban szerepel
  • subtaskID = 2 esetén: az év
  • subtaskID = 3 esetén: egy numerikus érték (az átlag becslése)
  • subtaskID = 4 esetén: 0 vagy 1

Értékelés

Az 1–2. követelményeket pontosan értékelik (összehasonlítással).

A 3. követelményt Mean Absolute Error (MAE) használatával értékelik.

Szabályok:

• MAE < 0.3 → maximális pontszám
• MAE > 1.0 → 0 pont
• E két küszöb közötti értékekre a pontszám arányosan kerül megadásra.

A 4. követelménynél a pontszám a következő szabályok szerint kerül megadásra:

• AUC ≥ 0.95 → 40 pont
• AUC ≤ 0.70 → 0 pont
• A kettő közötti intervallum: arányos pontszám

⬇️ Starter Kit letöltése