Misija Juditis - 11/12

Konteksts

Pēc kosmiskas parādības, ko sauc par Haosa konverģenci, tēli no vairākiem komiksu visumiem ir apvienoti vienā realitātē. Starpdimensiju varoņu uzraudzības aģentūra (AIME) ir centralizējusi datus par šiem varoņiem, lai varētu ātri analizēt viņu profilus un pieņemt automatizētus lēmumus.

Reģistrētie dati apraksta gan tēlu vispārīgās īpašības, gan viņu spējas un ar tām saistīto skaitlisko statistiku. Šo datu analīze ir svarīga, lai:

• ātri iegūtu aprakstošo statistiku par datu kopu;
• rekonstruētu trūkstošo informāciju jauniem tēliem;
• klasificētu spējas, pamatojoties uz citām pieejamajām pazīmēm.

Problēmas risināšanai jūsu rīcībā būs divi faili:

• train.csv – satur marķētus piemērus, ko izmanto analīzei un modeļu apmācībai;
• test.csv – satur tos pašus mainīgos, bet neietver kolonnas powerstats__combat un Super Strength, kuras jāparedz 3. uzdevumā un 4. uzdevumā.

Varoņu visumi

Datu kopā parādās tēli no vairākiem izdevniecību visumiem, piemēram:

• Marvel Comics
• DC Comics
• Dark Horse Comics
• Image Comics
• Shueisha
• George Lucas
• Microsoft
• J. K. Rowling

Šajā problēmā jēdziens "visums" atbilst vērtībai kolonnā Publisher.

Datu kopas apraksts

Katra rinda failos train.csv un test.csv atbilst vienam tēlam.

Datu kopa satur:

• unikālu identifikatoru: id;
• tēlu aprakstošos mainīgos;
• bināros mainīgos, kas norāda uz noteiktu spēju esamību vai neesamību;
• nepārtrauktus skaitliskos mainīgos ar tipu powerstats__...;
• papildu kolonnas ar informāciju par varoņiem.

Kolonnu piemēri:

Prasības

1. uzdevums - Atšķirīgo visumu skaits (10 punkti)

Izmantojot datus no faila train.csv, nosakiet, cik unikālu vērtību parādās kolonnā Publisher.

2. uzdevums - Izdevējs ar visvairāk pozitīvajiem varoņiem (10 punkti)

Izmantojot datus no faila train.csv, ņemiet vērā tikai tos tēlus, kuriem Alignment = good.

Nosakiet, kurš izdevējs satur visvairāk pozitīvo varoņu.

Neizšķirta gadījumā izvēlieties izdevēju, kas alfabētiskā secībā ir pirmais.

3. uzdevums - powerstats__combat prognozēšana (40 punkti)

Pamatojoties uz datiem no faila train.csv, apmāciet modeli, kas spēj prognozēt atribūta powerstats__combat vērtības katram tēlam no test.csv.

4. uzdevums - Spējas Super Strength prognozēšana (40 punkti)

Pamatojoties uz datiem no faila train.csv, apmāciet modeli, kas spēj prognozēt atribūta Super Strength vērtības katram tēlam no test.csv.

Atļautās vērtības ir (prognozēm jābūt galīgajām binārajām etiķetēm, nevis varbūtībām):

10.021.0

Iesniegšanas faila formāts

Iesniegšanas failam jābūt csv formātā un jāsatur šādas kolonnas:

Iespējamās subtaskID vērtības ir:

1. uzdevumam un 2. uzdevumam atbilde ir globāla un tiek nosūtīta, izmantojot speciālo vērtību GLOBAL kolonnā id.

Faila submission.csv piemērs

1id,subtaskID,answer2GLOBAL,task1,13GLOBAL,task2,Cartoon Network443,task3,2.57550,task3,5.1761,task4,0.074,task4,1.0

Vērtēšana

Kopējais punktu skaits ir 100 punkti.

1. uzdevums (10 punkti)

Novērtēšana tiek veikta, precīzi salīdzinot iesniegto vērtību ar pareizo atbildi.

2. uzdevums (10 punkti)

Novērtēšana tiek veikta, precīzi salīdzinot iesniegto vērtību ar pareizo atbildi.

3. uzdevums (40 punkti)

3. uzdevumam tiek izmantota metrika MAE (Mean Absolute Error).

Punkti tiek piešķirti šādi:

• ja MAE ≤ 12.0, tiek piešķirti 40 punkti;
• ja MAE ≥ 30.0, tiek piešķirti 0 punkti;
• starpvērtībām punktu skaits tiek interpolēts lineāri.

Izmantotā formula ir:

1score_task3 = 40 × (30 - MAE) / (30 - 12), ja 12 < MAE < 30

4. uzdevums (40 punkti)

4. uzdevumam tiek izmantota metrika Accuracy.

Punkti tiek piešķirti šādi:

• ja Accuracy ≥ 0.90, tiek piešķirti 40 punkti;
• ja Accuracy ≤ 0.55, tiek piešķirti 0 punkti;
• starpvērtībām punktu skaits tiek interpolēts lineāri.

Izmantotā formula ir:

1score_task4 = 40 × (Accuracy - 0.55) / (0.90 - 0.55), ja 0.55 < Accuracy < 0.90