Dipinti celebri

Dipinti celebri

Contesto

Quando ci riferiamo ai dipinti celebri, dobbiamo tenere conto anche di caratteristiche oggettive come la dimensione della tela, il tipo di pennello con cui è stato dipinto, la complessità visiva o la densità dei colori, oltre alla qualità artistica di questi. La stima automatica del valore e l'identificazione dello stile del pittore possono aiutare collezionisti e musei ad analizzare grandi collezioni di opere.

Per risolvere questo problema avrete a disposizione due file:

• train.csv – contiene tutte le variabili, incluso target_price, per l'addestramento dei modelli
• test.csv – contiene le stesse variabili, senza la colonna target_price, e i dati di questo file sono utilizzati per generare le predizioni

Descrizione del dataset

Requisiti

Per questo problema dovete risolvere 3 task.

Task 1 – Punteggio di autenticità artistica (20 punti)

Recentemente, un algoritmo rivoluzionario è stato scoperto da un gruppo di ricercatori in intelligenza artificiale e arte. Questo può valutare, sulla base delle caratteristiche oggettive del dipinto, se un dipinto è sicuramente autentico o no.

Per ogni dipinto, l'algoritmo calcola un Punteggio di Autenticità Artistica (PAA) utilizzando le seguenti regole:

1. Se stroke_density > 0.7, aggiungi 2 punti al PAA.
2. Se complexity > 0.65, aggiungi 2 punti al PAA.
3. Se uses_gold_leaf = True, aggiungi 1 punto al PAA.
4. Se has_signature = True, aggiungi 1 punto al PAA.
5. Se num_colors > 65 e colorfulness > 0.7, aggiungi 2 punti al PAA.
6. Se contrast < 0.4 o brightness < 0.45 o brightness > 0.75, sottrai 1 punto dal PAA.

Dopo aver calcolato il punteggio, il dipinto riceve l'etichetta:

• Autentic: se PAA ≥ 5

• Incert: se PAA < 5

• Answer nel file di submission sarà Autentic o Incert per ogni dipinto in test.csv.

Task 2 – Raggruppamento dei dipinti per stile del pittore (40 punti)

Si sa che i dipinti nel dataset sono stati realizzati da 5 pittori celebri, ma l'informazione sul pittore non è disponibile.

Il vostro compito è assegnare a ogni dipinto in test.csv un ID numerico tra 0 e 4, in modo che i dipinti realizzati dallo stesso pittore ricevano lo stesso ID.

• Answer nel file di submission sarà l'ID numerico (0, 1, 2, 3 o 4) per ogni dipinto in test.csv.
• Tutti i dipinti realizzati dallo stesso pittore dovrebbero avere lo stesso ID.

Task 3 – Stima del prezzo dei dipinti (40 punti)

Per ogni dipinto incluso in train.csv abbiamo specificato un prezzo (colonna target_price). Sulla base delle informazioni disponibili in train.csv, addestrate un modello di Intelligenza Artificiale che sia capace di predire per i dipinti in test.csv il prezzo.

Formato del file di submission

Il file submission.csv deve contenere:

• SampleID - preso dal file test.csv;
• subtaskID - può essere: Task1, Task2, Task3;
• Answer - il valore calcolato o stimato per il dipinto indicato da SampleID al task indicato da subtaskID.

Valutazione

Subtask 1 – Punteggio di autenticità

Per questo subtask si utilizza il confronto esatto tra le risposte inviate (Autentic / Incert) e le etichette corrette.

• Punteggio massimo viene assegnato solo se tutte le risposte sono corrette.
• Se ci sono risposte sbagliate, il punteggio viene assegnato proporzionalmente, utilizzando la regola del 3 semplice.

Subtask 2 – Raggruppamento pittori

La valutazione viene effettuata utilizzando Adjusted Rand Index (ARI).

• Punteggio massimo viene assegnato se:

• Per valori sotto questa soglia, il punteggio viene assegnato proporzionalmente.

Subtask 3 – Predizione del prezzo

La valutazione viene effettuata utilizzando Mean Absolute Error (MAE).

Regole:

• MAE ≤ 500 → punteggio massimo
• MAE ≥ 2000 → 0 punti
• Per valori tra queste due soglie, il punteggio viene assegnato proporzionalmente.