Prediksjon av togforsinkelse - Vanskelighetsgrad: EASY

Oppgavebeskrivelse

🚆 Prediksjon av togforsinkelse ⏱️

🇷🇴 Kontekst 🚃

Det nasjonale jernbaneselskapet ønsker å predikere forsinkelsen til et tog (i minutter, heltall) ved ankomst til endestasjon. For dette formålet får dere et datasett med detaljer om reiser fra det siste året.

For hver reise kjenner vi følgende karakteristikker:

Navn	Type	Beskrivelse
`SampleID`	int	Unik identifikator for utvalget
`departure_time`	string (HH:MM)	Avreise tid for toget
`distance_km`	float	Total distanse for ruten
`avg_speed_kmh`	float	Faktisk gjennomsnittshastighet
`num_stops`	int	Antall mellomstasjoner
`weather`	kategori	Værforhold: `sunny`, `rain`, `snow`, `fog`
`weekday`	kategori	Ukedag
`special_events`	0/1	Eksepsjonelle hendelser på ruten
`num_cars`	int	Antall vogner
`ticket_price`	float	Billettpris
`comfort_class`	kategori	`standard`, `intermediate`, `premium`
`delay_minutes`	int	Målvariabel – togforsinkelse i minutter

Informasjonen delay_minutes er kun tilgjengelig i treningssettet (train.csv).

🎯 Problemets mål ⏱️

Dere må trene en modell som kan predikere delay_minutes basert på de andre karakteristikkene.

📝 Innleveringsformat

Dere må laste opp en csv-fil (submission.csv) med følgende format:

Python
1SampleID,delay_minutes20,1231,342,15

hvor:

SampleID må samsvare med verdiene fra test.csv
delay_minutes er prediksjonen fra modellen deres, avrundet til heltall

📊 Evaluering

Evalueringen vil bli gjort ved bruk av MAE (Mean Absolute Error):

$MAE$

Den endelige poengsummen beregnes basert på MAE-skåren oppnådd ved bruk av følgende regler:

MAE ≤ 5 → 100 poeng
MAE ≥ 20 → 0 poeng
For mellomverdier tildeles proporsjonale poeng mellom 0 og 100.

Filer

Last ned oppgavefiler

Send inn løsning

Last opp resultatfilen manuelt. Du kan også legge ved kildekoden.Maks. 100 MB totalt

Innleveringsfil

Klikk for å laste opp eller dra og slipp

CSV, ZIP, osv. (MAKS. 100MB)

Kildekodefil (valgfritt)

Klikk for å laste opp eller dra og slipp

Arkiv, notatbok eller kodefil

Logg inn for å laste opp en innlevering.

ELLER

Arbeid og lever inn fra Google Colab

Åpne en notatblokk som er klargjort for denne oppgaven. Den første cellen kobler til oppgaven og laster ned tilgjengelige data. Når du er ferdig, sender du filene til evaluering direkte fra notatblokken.

Innleveringer fra Colab bruker samme evaluator og de samme grensene. Følg resultatet under Mine innleveringer.

MLCompete har bare tilgang til notatblokken tjenesten oppretter i Google Drive, ikke til de andre filene dine.

Åpnes den ikke? Bruk en midlertidig kode

Opprett koden her, åpne den offentlige notatblokken, og skriv inn koden når den første cellen ber om den.

Logg på MLCompete først for å generere en arbeidsområdekode.

Åpne den offentlige notatblokken i Google Colab

Lim inn arbeidsområdekoden bare når notatblokken ber om den. Del den aldri med andre.