Dainų populiarumo prognozavimas

🎧 Dainų populiarumo prognozavimas 🎹

Skaitmeninės muzikos industrija sparčiai vystosi, o srautinio perdavimo platformos konkuruoja siekdamos įvertinti, kaip gerai daina pasirodys tarp klausytojų. Populiarumas nėra tik skaičius, nes jis daro poveikį rekomendacijoms, automatizuotiems grojaraščiams ir net atlikėjų sutartims.

Norėdamas apmokyti naują prognozavimo modulį, gavai duomenų rinkinį, išgautą iš Spotify, kuriame yra garso charakteristikos ir dainų metaduomenys.

Tavo tikslas yra sukurti modelį, kuris prognozuoja kūrinio populiarumą remiantis skaitmeninėmis charakteristikomis ir keliais pagalbiniais duomenimis.

📁 Duomenų rinkinys

Turi du failus:

• train.csv — dainos su visomis stulpeliais, įskaitant popularity
• test.csv — dainos be popularity stulpelio (šias reikia prognozuoti)

Kiekviena daina turi unikalų identifikatorių ir charakteristikų seriją:

• track_id — unikalus kūrinio ID
• artists
• album_name
• track_name
• popularity (tik train rinkinyje)
• duration_ms
• explicit
• danceability
• energy
• key
• loudness
• mode
• speechiness
• acousticness
• instrumentalness
• liveness
• valence
• tempo
• time_signature
• track_genre

Pagrindinis tikslas yra prognozuoti popularity stulpelį testavimo rinkiniui.

🧠 Užduotis (100 taškų)

Sukurk mašininio mokymosi modelį, kuris prognozuoja kiekvienos dainos populiarumą iš test.csv.

Tavo prognozes reikia išsaugoti faile submission.csv tokiu formatu:

1track_id,popularity2101,42.73102,55.14103,38.0

kur:

• track_id — dainos ID iš testo
• popularity — reali reikšmė (float), reprezentuojanti prognozuojamą populiarumą

📊 Vertinimas

Vertinimas bus atliekamas naudojant MAE (Mean Absolute Error):

Galutinis balas apskaičiuojamas remiantis gauto MAE rezultatu naudojant šias taisykles:

• MAE ≤ 5 → 100 taškų
• MAE ≥ 20 → 0 taškų
• Tarpinėms reikšmėms skiriamas proporcionalus balas tarp 0 ir 100.