BAC under lupen

Kontekst

Gjennom årene har resultatene fra Baccalaureate-eksamen gitt et detaljert bilde av prestasjonene til videregående skoler i Romania. Ved å analysere historiske data over flere år kan vi oppdage trender, utviklingen i skoleprestasjoner og noen ganger resultater som skiller seg ut.

I denne sammenheng er målet med dette problemet å statistisk analysere prestasjonene til videregående skoler på Baccalaureate, bygge prediktive modeller og identifisere atypiske resultater ved bruk av Machine Learning-metoder.

Databeskrivelse

For å løse kravene i dette problemet har du tilgang til et strukturert datasett i form av to csv-filer: train.csv og test.csv. Dette datasettet inneholder aggregerte resultater fra videregående skoler på forskjellige prøver i Baccalaureate-eksamen, for perioden 2014–2023.

Hver rad i datasettet (uavhengig av om det er treningssettet eller testsettet) representerer resultatene til en videregående skole, for et fag, i et år.

Tilgjengelige kolonner:

• id – unik identifikator for raden
• an – eksamenets år
• liceu – navnet på den videregående skolen
• judet – fylket der den videregående skolen befinner seg
• materie – Baccalaureate-faget
• medie – gjennomsnittet av karakterene oppnådd av elevene fra den videregående skolen i det respektive faget
• procent_reusita – prosentandelen av elever som besto prøven
• numar_candidati – antall kandidater
• preferinta_materie – prosentandelen av elever som valgte det respektive faget
• anomalie - kan ha verdien 0 hvis det ikke anses som en unormal situasjon eller verdien 1 hvis situasjonen er uvanlig.

Merknad: For hver videregående skole har vi også noen generelle statistikker. For disse finner vi verdien GENERAL i kolonnen materie.

Filen train.csv inneholder statistikk fra perioden 2014-2022, mens filen test.csv inneholder data for året 2023, men kolonnene medie og anomalie er ikke tilgjengelige.

Krav

Krav 1 - Identifisering av foretrukket fag (10 poeng)

Identifiser hvilket fag som hadde størst preferanse i året 2023 fra COLEGIUL NATIONAL "UNIREA" FOCSANI, hvis vi ekskluderer faget LIMBA ROMANA som var obligatorisk for alle kandidater.

Krav 2 - Identifisering av velstående år for Informatikk (10 poeng)

Identifiser hvilket år i perioden 2014-2022 faget INFORMATICA MI C-C++ hadde størst popularitet ved COLEGIUL NATIONAL "UNIREA" FOCSANI. Vi anser at populariteten er gitt av prosentandelen fra kolonnen preferinta_materie (jo høyere denne prosentandelen er, desto mer populært anser vi at faget har vært).

Krav 3 - Estimering av videregående skolers prestasjoner (40 poeng)

Ved bruk av informasjonen tilgjengelig i filen train.csv, estimer verdien av oppnådd gjennomsnitt for hver rad i filen test.csv (året 2023).

For dette kravet kan du bruke hvilken som helst metode for statistisk analyse eller modellering basert på historiske data, med hensyn til:

• det analyserte faget,
• den videregående skolens historie,
• utviklingen over tid av resultatene,
• den generelle konteksten av prestasjoner på fylkes- eller nasjonalt nivå.

Målet er å oppnå estimater som er så nære de virkelige verdiene som mulig.

Krav 4 - Identifisering av atypiske resultater (40 poeng)

Analyser de historiske dataene fra perioden 2014–2022 og bestem, for hver rad i filen test.csv, om det tilsvarende resultatet for året 2023 er:

• et normalt resultat, eller
• et atypisk resultat, som avviker betydelig fra vanlig oppførsel.

I beslutningen kan du ta hensyn til:

• historien til den respektive videregående skolen,
• variasjonene fra år til år,
• forskjellene mellom fag,
• sammenligning med andre lignende videregående skoler.

Det endelige resultatet for hver rad må være en binær etikett:

• 0 - normalt resultat
• 1 - atypisk resultat

Innleveringsformat

For automatisk evaluering må du laste opp en fil i csv-format med følgende struktur:

• id – radidentifikatoren (tilsvarende den i test.csv)
  • for oppgave 1, vil du bruke verdien 1 for id
  • for oppgave 2, vil du bruke verdien 2 for id
• subtaskID – kravidentifikatoren:
  • 1 for identifisering av foretrukket fag (krav 1)
  • 2 for identifisering av velstående år for Informatikk (krav 2)
  • 3 for estimering av gjennomsnitt (krav 3)
  • 4 for identifisering av atypiske resultater (krav 4)
• answer – svaret tilsvarende kravet:
  • for subtaskID = 1: fagnavnet nøyaktig slik det vises i datasettet
  • for subtaskID = 2: året
  • for subtaskID = 3: en numerisk verdi (estimering av gjennomsnittet)
  • for subtaskID = 4: 0 eller 1

Evaluering

For krav 1–2 evalueres nøyaktig (ved sammenligning).

For krav 3 gjøres evalueringen ved bruk av Mean Absolute Error (MAE).

Regler:

• MAE < 0.3 → maksimalt poeng
• MAE > 1.0 → 0 poeng
• For verdier mellom disse to tersklene tildeles poeng proporsjonalt.

For krav 4 tildeles poeng i henhold til følgende regler:

• AUC ≥ 0.95 → 40 poeng
• AUC ≤ 0.70 → 0 poeng
• Intervallet mellom dem: proporsjonalt poeng

⬇️ Last ned Starter Kit