Filmų įvertinimo prognozavimas

🎬 Filmų įvertinimų prognozavimas 🍿

Srautinio turinio pasaulyje Netflix tipo paslaugos remiasi duomenimis, kad suprastų, kokie filmai ir serialai patiks naudotojams. Tu esi startuolio, kuris nori numatyti filmo įvertinimą pagal jo metaduomenis, konsultantas.

Turi Netflix filmų ir serialų duomenų rinkinį:

• train.csv - filmai ir serialai su žinomais įvertinimais
• test.csv - nauji filmai ir serialai, kuriems tu turi prognozuoti įvertinimą

📊 Duomenų rinkinys

Kiekviena eilutė atstovauja filmo pavadinimą:

• SampleID – unikalus filmo identifikatorius
• Title – filmo ar serialo pavadinimas
• Type – turinio tipas (SHOW)
• Description – trumpas filmo / serialo aprašymas
• Year – išleidimo metai
• Score – tik train.csv, skaitinė vertė, atspindinti filmo įvertinimą (pvz.: kritikų reitingas)

Tavo tikslas yra prognozuoti Score kiekvienam pavadinimui iš test.csv.

📝 Užduotis (100 taškų)

Sukurk mašininio mokymosi modelį, kuris gali prognozuoti skaitinę Score vertę kiekvienam pavadinimui iš test.csv, naudodamas prieinamus stulpelius (Title, Type, Description, Year).

🧮 Vertinimas

• Pagrindinė metrika yra MAE (Mean Absolute Error):

• MAE ≤ 0.65 → 100 taškų
• MAE ≥ 2.0 → 0 taškų
• Tarpinėms vertėms taškai skaičiuojami proporcingai.

📄 Pateikimo failo formatas

Failas submission.csv turi turėti po vieną eilutę kiekvienam pavadinimui iš test:

1SampleID, Score

kur:

• SampleID - filmo identifikatorius iš test
• Score - prognozuojama skaitinė įvertinimo vertė