BAC onder de loep

Context

Door de jaren heen bieden de resultaten van het Bacalaureaat-examen een gedetailleerd beeld van de prestaties van middelbare scholen in Roemenië. Door historische gegevens over meerdere jaren te analyseren, kunnen we trends ontdekken, de evolutie van schoolprestaties volgen en soms resultaten die uit de toon vallen.

In deze context is het doel van dit probleem om de prestaties van middelbare scholen bij het Bacalaureaat statistisch te analyseren, voorspellende modellen te bouwen en atypische resultaten te identificeren met behulp van Machine Learning-methoden.

Beschrijving van de gegevens

Om de vereisten van dit probleem op te lossen heeft u toegang tot een gestructureerde dataset in de vorm van twee csv-bestanden: train.csv en test.csv. Deze dataset bevat geaggregeerde resultaten van middelbare scholen voor verschillende onderdelen van het Bacalaureaat-examen, voor de periode 2014–2023.

Elke rij in de dataset (of het nu gaat om de trainingsset of de testset) vertegenwoordigt de resultaten van een middelbare school, voor een vak, in een jaar.

Beschikbare kolommen:

• id – unieke identificator van de rij
• an – jaar van het examen
• liceu – naam van de middelbare school
• judet – provincie waarin de middelbare school zich bevindt
• materie – Bacalaureaat-vak
• medie – gemiddelde van de cijfers behaald door leerlingen van de middelbare school voor het betreffende vak
• procent_reusita – percentage leerlingen dat het onderdeel heeft gehaald
• numar_candidati – aantal kandidaten
• preferinta_materie – percentage leerlingen dat het betreffende vak heeft gekozen
• anomalie - kan de waarde 0 hebben als het niet als een abnormale situatie wordt beschouwd of de waarde 1 als de situatie ongewoon is.

Opmerking: Voor elke middelbare school hebben we ook algemene statistieken. Voor die gevallen vinden we in de kolom materie de waarde GENERAL.

Het bestand train.csv bevat de statistieken uit de periode 2014-2022, en het bestand test.csv bevat de gegevens voor het jaar 2023, maar de kolommen medie en anomalie zijn niet beschikbaar.

Vereisten

Vereiste 1 - Identificatie van het favoriete vak (10 punten)

Identificeer welk vak de grootste voorkeur had in het jaar 2023 bij COLEGIUL NATIONAL "UNIREA" FOCSANI, als we het vak LIMBA ROMANA uitsluiten dat verplicht was voor alle kandidaten.

Vereiste 2 - Identificatie van het voorspoedige jaar voor Informatica (10 punten)

Identificeer in welk jaar uit de periode 2014-2022 het vak INFORMATICA MI C-C++ de grootste populariteit had bij COLEGIUL NATIONAL "UNIREA" FOCSANI. We beschouwen dat populariteit wordt bepaald door het percentage uit de kolom preferinta_materie (hoe hoger dit percentage, hoe populairder we het vak beschouwen).

Vereiste 3 - Schatting van de prestaties van middelbare scholen (40 punten)

Gebruik de informatie beschikbaar in het bestand train.csv om de waarde van het behaalde gemiddelde te schatten voor elke rij in het bestand test.csv (jaar 2023).

Voor deze vereiste kunt u elke methode van statistische analyse of modellering gebruiken gebaseerd op historische gegevens, rekening houdend met:

• het geanalyseerde vak,
• de geschiedenis van de middelbare school,
• de evolutie in de tijd van de resultaten,
• de algemene context van prestaties op provinciaal of nationaal niveau.

Het doel is het verkrijgen van schattingen die zo dicht mogelijk bij de werkelijke waarden liggen.

Vereiste 4 - Identificatie van atypische resultaten (40 punten)

Analyseer de historische gegevens uit de periode 2014–2022 en beslis voor elke rij in het bestand test.csv of het corresponderende resultaat van het jaar 2023:

• een normaal resultaat is, of
• een atypisch resultaat is, dat significant afwijkt van het gebruikelijke gedrag.

Bij het nemen van de beslissing kunt u rekening houden met:

• de geschiedenis van de betreffende middelbare school,
• variaties van jaar tot jaar,
• verschillen tussen vakken,
• vergelijking met andere vergelijkbare middelbare scholen.

Het eindresultaat voor elke rij moet een binair label zijn:

• 0 - normaal resultaat
• 1 - atypisch resultaat

Formaat van de inzending

Voor automatische evaluatie moet u een bestand uploaden in csv-formaat met de volgende structuur:

• id – identificator van de rij (corresponderend met die uit test.csv)
  • voor taak 1 gebruikt u de waarde 1 voor id
  • voor taak 2 gebruikt u de waarde 2 voor id
• subtaskID – identificator van de vereiste:
  • 1 voor identificatie van het favoriete vak (vereiste 1)
  • 2 voor identificatie van het voorspoedige jaar voor Informatica (vereiste 2)
  • 3 voor schatting van het gemiddelde (vereiste 3)
  • 4 voor identificatie van atypische resultaten (vereiste 4)
• answer – antwoord corresponderend met de vereiste:
  • voor subtaskID = 1: naam van het vak exact zoals het in de dataset verschijnt
  • voor subtaskID = 2: het jaar
  • voor subtaskID = 3: een numerieke waarde (schatting van het gemiddelde)
  • voor subtaskID = 4: 0 of 1

Evaluatie

Voor vereisten 1–2 wordt exact geëvalueerd (door vergelijking).

Voor vereiste 3 wordt de evaluatie gedaan met Mean Absolute Error (MAE).

Regels:

• MAE < 0.3 → maximale score
• MAE > 1.0 → 0 punten
• Voor waarden tussen deze twee drempels wordt de score proportioneel toegekend.

Voor vereiste 4 wordt de score toegekend volgens de volgende regels:

• AUC ≥ 0.95 → 40 punten
• AUC ≤ 0.70 → 0 punten
• Het interval daartussen: proportionele score

⬇️ Download Starter Kit