სირთულე
თქვენი საუკეთესო შედეგი
არ არის
თქვენ აგიყვანეს მონაცემთა მეცნიერად (data scientist) პატარა „ეკონომიკური პროგნოზირების ლაბორატორიაში". თქვენი ამოცანაა გაარკვიოთ, ვინ გადალახავს წლიურ 50,000 აშშ დოლარიან ბარიერს და ვინ არა, განათლების, სამუშაოსა და ყოველდღიური ცხოვრების შესახებ რეალური მონაცემების გამოყენებით. თქვენს განკარგულებაშია ორი ფაილი სოციალურ-ეკონომიკური მონაცემებით, რომლებიც აღწერილია ქვემოთ:
| სვეტი | აღწერა |
|---|---|
| sampleid | თითოეული დაკვირვების უნიკალური იდენტიფიკატორი |
| age | ადამიანის ასაკი |
| workclass | დამსაქმებლის ტიპი (მაგ: Private, Self-emp-not-inc და ა.შ.) |
| fnlwgt | საბოლოო წონა აღწერიდან (final weight) |
| education | განათლების დონე (მაგ: Bachelors, Masters და ა.შ.) |
| educational_num | განათლების დონის რიცხვითი წარმოდგენა |
| marital_status | ოჯახური მდგომარეობა |
| occupation | პროფესია |
| relationship | ურთიერთობა ოჯახში |
| race | რასა |
| gender | სქესი |
| capital_gain | კაპიტალის მოგება |
| capital_loss | კაპიტალის ზარალი |
| hours_per_week | სამუშაო საათები კვირაში |
| native_country | წარმოშობის ქვეყანა |
| profile_description | პროფესიული პროფილის ტექსტური აღწერა |
| income | წლიური შემოსავალი (<=50K / >50K) – სამიზნე სვეტი |
შენიშვნა:
სვეტი income ხელმისაწვდომია მხოლოდ საწვრთნელ მონაცემებში (train.csv).
გააანალიზეთ საწვრთნელი მონაცემები (train.csv) და დაადგინეთ:
რომელია წარმოშობის ქვეყანა (native_country), გარდა United-States-ისა, სადაც ყველაზე მეტი ადამიანია >50K შემოსავლით?
შედეგი უნდა იყოს სტრიქონი ქვეყნის ზუსტი სახელით, როგორც ის გვხვდება მონაცემებში.
გააანალიზეთ საწვრთნელი მონაცემები (train.csv) და დაადგინეთ:
რომელია ის პროფესია (occupation), რომელსაც აქვს >50K შემოსავლის ყველაზე მაღალი მაჩვენებელი?
პროფესიისთვის >50K შემოსავლის მაჩვენებელი გამოითვლება შემდეგნაირად: ამ პროფესიის მქონე >50K შემოსავლის მქონე პირთა რაოდენობა გაყოფილი ამავე პროფესიის მქონე პირთა საერთო რაოდენობაზე.
შედეგი უნდა იყოს სტრიქონი პროფესიის ზუსტი სახელით, როგორც ის გვხვდება მონაცემებში.
შექმენით კლასიფიკაციის მოდელი, რომელსაც შეუძლია income სვეტის მნიშვნელობის პროგნოზირება test.csv-ის ყველა დაკვირვებისთვის.
მოდელმა უნდა დააფიქსიროს ორიდან ერთ-ერთი კლასი:
<=50K>50Kსვეტი profile_description შეიცავს პროფესიული პროფილების ტექსტურ აღწერებს. გამოიყენეთ კლასტერირების (clustering) მეთოდი ამ სვეტზე, რათა დააჯგუფოთ test.csv-ის დაკვირვებები კლასტერებად.
დააბრუნეთ თითოეული დაკვირვებისთვის test.csv-დან კლასტერის ლეიბლი (მთელი რიცხვითი მნიშვნელობა).
ქვედავალება 1: ზუსტი დამთხვევა სწორ პასუხთან.
ქვედავალება 2: ზუსტი დამთხვევა სწორ პასუხთან.
ქვედავალება 3: შეფასება ხდება F1 Macro-ს გამოყენებით:
f1_macro ≥ 0.80 → 55 ქულაf1_macro < 0.60 → 0 ქულაქვედავალება 4: შეფასება ხდება Adjusted Rand Index (ARI)-ის გამოყენებით:
ARI ≥ 0.90 → 20 ქულაARI ≤ 0.00 → 0 ქულაწარსადგენი ფაილი უნდა იყოს CSV ფორმატში, შემდეგი სვეტებით:
subtaskID – ქვედავალების ინდექსიdatapointID – უნიკალური იდენტიფიკატორი მონაცემთა ნაკრებიდანanswer – პასუხი ან პროგნოზიმაგალითი:
subtaskID,datapointID,answer1,1,India2,2,Sales3,10001,<=50K3,10002,>50K4,10001,04,10002,2შენიშვნა:
datapointID უნდა იყოს შესაბამისად 1 და 2.datapointID უნდა იყოს sampleid-ის მნიშვნელობა test.csv-დან.Adult / Census Income Dataset – UCI Machine Learning Repository