Trudność
Twój najlepszy wynik
Nie dotyczy
Zostałeś zatrudniony jako data scientist w małym „laboratorium prognoz ekonomicznych”. Twoim zadaniem jest ustalenie, kto przekracza barierę 50 000 USD rocznie, a kto nie, korzystając z rzeczywistych danych dotyczących edukacji, pracy i życia codziennego. Masz do dyspozycji dwa pliki z danymi socjoekonomicznymi, opisanymi poniżej:
| Kolumna | Opis |
|---|---|
| sampleid | Unikalny identyfikator dla każdej obserwacji |
| age | Wiek osoby |
| workclass | Typ pracodawcy (np. Private, Self-emp-not-inc itp.) |
| fnlwgt | Waga końcowa ze spisu powszechnego (final weight) |
| education | Poziom wykształcenia (np. Bachelors, Masters itp.) |
| educational_num | Numeryczna reprezentacja poziomu wykształcenia |
| marital_status | Stan cywilny |
| occupation | Zawód |
| relationship | Relacja w gospodarstwie domowym |
| race | Rasa |
| gender | Płeć |
| capital_gain | Zyski kapitałowe |
| capital_loss | Straty kapitałowe |
| hours_per_week | Liczba godzin przepracowanych w tygodniu |
| native_country | Kraj pochodzenia |
| profile_description | Tekstowy opis profilu zawodowego |
| income | Dochód roczny (<=50K / >50K) – kolumna docelowa |
Uwaga:
Kolumna income jest dostępna tylko w danych treningowych (train.csv).
Przeanalizuj dane treningowe (train.csv) i ustal:
Jaki jest kraj pochodzenia (native_country), inny niż United-States, z największą liczbą osób o dochodzie >50K?
Wynik musi być ciągiem znaków (string) z dokładną nazwą kraju, tak jak pojawia się w danych.
Przeanalizuj dane treningowe (train.csv) i ustal:
Jaki zawód (occupation) charakteryzuje się najwyższym wskaźnikiem dochodu >50K?
Wskaźnik dochodu >50K dla danego zawodu oblicza się jako: liczba osób z dochodem >50K w tym zawodzie, podzielona przez całkowitą liczbę osób w tym zawodzie.
Wynik musi być ciągiem znaków (string) z dokładną nazwą zawodu, tak jak pojawia się w danych.
Zbuduj model klasyfikacji zdolny do przewidzenia wartości kolumny income dla wszystkich obserwacji w test.csv.
Model musi generować jedną z dwóch klas:
<=50K>50KKolumna profile_description zawiera tekstowe opisy profili zawodowych. Zastosuj metodę klasteryzacji (clustering) na tej kolumnie, aby pogrupować obserwacje z test.csv w klastry.
Dla każdej obserwacji z test.csv zwróć etykietę klastra (całkowita wartość numeryczna).
Podzadanie 1: Dokładne dopasowanie do poprawnej odpowiedzi.
Podzadanie 2: Dokładne dopasowanie do poprawnej odpowiedzi.
Podzadanie 3: Ewaluacja odbywa się przy użyciu F1 Macro:
f1_macro ≥ 0.80 → 55 punktówf1_macro < 0.60 → 0 punktówPodzadanie 4: Ewaluacja odbywa się przy użyciu Adjusted Rand Index (ARI):
ARI ≥ 0.90 → 20 punktówARI ≤ 0.00 → 0 punktówPlik zgłoszeniowy musi być w formacie CSV z następującymi kolumnami:
subtaskID – indeks podzadaniadatapointID – unikalny identyfikator z zestawu danychanswer – odpowiedź lub predykcjaPrzykład:
subtaskID,datapointID,answer1,1,India2,2,Sales3,10001,<=50K3,10002,>50K4,10001,04,10002,2Uwaga:
datapointID musi wynosić odpowiednio 1 oraz 2.datapointID musi być wartością sampleid z pliku test.csv.Adult / Census Income Dataset – UCI Machine Learning Repository