Gada ienākumu prognozēšana (Adult Income)

📖 Gada ienākumu prognozēšana (Adult Income)

Jūs esat pieņemts darbā par datu zinātnieku nelielā "ekonomisko prognožu laboratorijā". Jūsu uzdevums ir noskaidrot, kurš pārsniedz 50 000 USD gadā slieksni un kurš nē, izmantojot reālus datus par izglītību, darbu un ikdienas dzīvi. Jūsu rīcībā ir divi faili ar sociālekonomiskajiem datiem, kas aprakstīti zemāk:

📋 Kolonnu apraksts

Piezīme:
Kolonna income ir pieejama tikai apmācības datos (train.csv).

🧩 Apakšuzdevumi

1. apakšuzdevums (10 punkti)

Analizējiet apmācības datus (train.csv) un nosakiet:

Kura ir izcelsmes valsts (native_country), kas nav United-States, ar vislielāko personu skaitu, kuru ienākumi ir >50K?

Rezultātam jābūt virknei (string) ar precīzu valsts nosaukumu, kāds tas parādās datos.

2. apakšuzdevums (15 punkti)

Analizējiet apmācības datus (train.csv) un nosakiet:

Kura ir nodarbošanās (occupation) ar visaugstāko >50K ienākumu līmeni?

Ienākumu līmenis >50K nodarbošanai tiek aprēķināts kā: personu skaits ar ienākumiem >50K šajā nodarbošanā, dalīts ar kopējo personu skaitu šajā nodarbošanā.

Rezultātam jābūt virknei (string) ar precīzu nodarbošanās nosaukumu, kāds tas parādās datos.

3. apakšuzdevums (55 punkti)

Izveidojiet klasifikācijas modeli, kas spēj prognozēt kolonnas income vērtību visiem novērojumiem failā test.csv.

Modelim jāparedz viena no divām klasēm:

• <=50K
• >50K

4. apakšuzdevums (20 punkti)

Kolonna profile_description satur profesionālo profilu teksta aprakstus. Lietojiet klasterizācijas (clustering) metodi šai kolonnai, lai grupētu test.csv novērojumus klasteros.

Atgrieziet katram test.csv novērojumam klastera etiķeti (vesela skaitļa vērtība).

📊 Vērtēšana

1. apakšuzdevums: Precīza sakritība ar pareizo atbildi.

2. apakšuzdevums: Precīza sakritība ar pareizo atbildi.

3. apakšuzdevums: Novērtēšana tiek veikta, izmantojot F1 Macro:

• f1_macro ≥ 0.80 → 55 punkti
• f1_macro < 0.60 → 0 punkti
• Starpvērtības tiek punktētas proporcionāli no 0 līdz 55

4. apakšuzdevums: Novērtēšana tiek veikta, izmantojot Adjusted Rand Index (ARI):

• ARI ≥ 0.90 → 20 punkti
• ARI ≤ 0.00 → 0 punkti
• Starpvērtības tiek punktētas proporcionāli no 0 līdz 20

📄 Iesniegšanas faila formāts

Iesniegšanas failam jābūt CSV formātā ar šādām kolonnām:

• subtaskID – apakšuzdevuma indekss
• datapointID – unikāls identifikators no datu kopas
• answer – atbilde vai prognoze

Piemērs:

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

Piezīme:

• 1. un 2. apakšuzdevumam datapointID jābūt attiecīgi 1 un 2.
• 3. un 4. apakšuzdevumam datapointID jābūt sampleid vērtībai no test.csv.

📊 Datu avots

Adult / Census Income Dataset – UCI Machine Learning Repository