Metinių pajamų prognozavimas (Adult Income)

📖 Metinių pajamų prognozavimas (Adult Income)

Buvote pasamdytas duomenų mokslininku mažoje „ekonominių prognozių laboratorijoje“. Jūsų užduotis – išsiaiškinti, kas peržengia 50 000 USD per metus ribą, o kas ne, naudojant realius duomenis apie išsilavinimą, darbą ir kasdienį gyvenimą. Turite du failus su socioekonominiais duomenimis, aprašytais žemiau:

📋 Stulpelių aprašymas

Pastaba:
Stulpelis income yra tik mokymo duomenyse (train.csv).

🧩 Užduotys

1 užduotis (10 taškų)

Išanalizuokite mokymo duomenis (train.csv) ir nustatykite:

Kuri kilmės šalis (native_country), išskyrus United-States, turi didžiausią skaičių asmenų, kurių pajamos yra >50K?

Rezultatas turi būti eilutė (string) su tiksliu šalies pavadinimu, kaip jis pateiktas duomenyse.

2 užduotis (15 taškų)

Išanalizuokite mokymo duomenis (train.csv) ir nustatykite:

Kuri profesija (occupation) pasižymi didžiausiu >50K pajamų rodikliu?

Profesijos >50K pajamų rodiklis skaičiuojamas taip: asmenų, uždirbančių >50K toje profesijoje, skaičius padalintas iš bendro tos profesijos asmenų skaičiaus.

Rezultatas turi būti eilutė (string) su tiksliu profesijos pavadinimu, kaip jis pateiktas duomenyse.

3 užduotis (55 taškai)

Sukurkite klasifikavimo modelį, galintį prognozuoti stulpelio income reikšmę visiems test.csv stebėjimams.

Modelis turi priskirti vieną iš dviejų klasių:

• <=50K
• >50K

4 užduotis (20 taškų)

Stulpelyje profile_description pateikiami tekstiniai profesinių profilių aprašymai. Pritaikykite klasterizavimo metodą šiam stulpeliui, kad sugrupuotumėte test.csv stebėjimus į klasterius.

Kiekvienam test.csv stebėjimui pateikite klasterio etiketę (sveikojo skaičiaus reikšmę).

📊 Vertinimas

1 užduotis: Tikslus sutapimas su teisingu atsakymu.

2 užduotis: Tikslus sutapimas su teisingu atsakymu.

3 užduotis: Vertinama naudojant F1 Macro metriką:

• f1_macro ≥ 0.80 → 55 taškai
• f1_macro < 0.60 → 0 taškų
• Tarpinės reikšmės vertinamos proporcingai nuo 0 iki 55

4 užduotis: Vertinama naudojant Adjusted Rand Index (ARI):

• ARI ≥ 0.90 → 20 taškų
• ARI ≤ 0.00 → 0 taškų
• Tarpinės reikšmės vertinamos proporcingai nuo 0 iki 20

📄 Pateikiamo failo formatas

Pateikiamas failas turi būti CSV formato su šiais stulpeliais:

• subtaskID – užduoties indeksas
• datapointID – unikalus duomenų rinkinio identifikatorius
• answer – atsakymas arba prognozė

Pavyzdys:

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

Pastaba:

• 1 ir 2 užduotims datapointID turi būti atitinkamai 1 ir 2.
• 3 ir 4 užduotims datapointID turi būti sampleid reikšmė iš test.csv.

📊 Duomenų šaltinis

Adult / Census Income Dataset – UCI Machine Learning Repository