Przewidywanie popularności piosenek

🎧 Przewidywanie popularności utworów 🎹

Branża muzyki cyfrowej szybko się rozwija, a platformy streamingowe konkurują ze sobą w szacowaniu, jak dobrze utwór będzie się sprawdzał wśród słuchaczy. Popularność to nie tylko liczba, ponieważ wpływa na rekomendacje, automatyczne playlisty, a nawet kontrakty artystów.

Aby wytrenować nowy moduł przewidywania, otrzymałeś zbiór danych wyodrębniony ze Spotify, zawierający charakterystyki audio i metadane utworów.

Twoim celem jest zbudowanie modelu, który przewiduje popularność utworu na podstawie charakterystyk numerycznych i kilku informacji pomocniczych.

📁 Zbiór danych

Masz do dyspozycji dwa pliki:

• train.csv — utwory ze wszystkimi kolumnami włączając popularity
• test.csv — utwory bez kolumny popularity (te należy przewidzieć)

Każdy utwór ma unikalny identyfikator i szereg charakterystyk:

• track_id — unikalny ID utworu
• artists
• album_name
• track_name
• popularity (tylko w train)
• duration_ms
• explicit
• danceability
• energy
• key
• loudness
• mode
• speechiness
• acousticness
• instrumentalness
• liveness
• valence
• tempo
• time_signature
• track_genre

Głównym celem jest przewidzenie kolumny popularity dla zbioru testowego.

🧠 Zadanie (100 punktów)

Zbuduj model uczenia maszynowego, który przewiduje popularność każdego utworu z test.csv.

Twoje przewidywania muszą być zapisane w pliku submission.csv w formacie:

1track_id,popularity2101,42.73102,55.14103,38.0

gdzie:

• track_id — ID utworu z testu
• popularity — wartość rzeczywista (float), reprezentująca przewidywaną popularność

📊 Ocena

Ocena będzie przeprowadzona przy użyciu MAE (Mean Absolute Error):

Końcowy wynik jest obliczany na podstawie uzyskanego wyniku MAE przy użyciu następujących zasad:

• MAE ≤ 5 → 100 punktów
• MAE ≥ 20 → 0 punktów
• Dla wartości pośrednich przyznawane są punkty proporcjonalnie między 0 a 100.