BAC pod lupą

Kontekst

Na przestrzeni lat wyniki egzaminu maturalnego dostarczają szczegółowego obrazu wydajności liceów w Rumunii. Analizując dane historyczne z kilku lat, możemy odkryć trendy, ewolucję wyników szkolnych i czasami rezultaty, które odbiegają od normy.

W tym kontekście celem tego problemu jest statystyczna analiza wydajności liceów na maturze, budowa modeli predykcyjnych i identyfikacja nietypowych wyników przy użyciu metod Machine Learning.

Opis danych

Aby rozwiązać wymagania tego problemu, masz dostęp do zbioru danych ustrukturyzowanego w formie dwóch plików csv: train.csv i test.csv. Ten zbiór danych zawiera zagregowane wyniki liceów z różnych przedmiotów egzaminu maturalnego za okres 2014–2023.

Każdy wiersz w zbiorze danych (niezależnie od tego, czy chodzi o zbiór treningowy czy testowy) reprezentuje wyniki liceum z przedmiotu w roku.

Dostępne kolumny:

• id – unikalny identyfikator wiersza
• an – rok egzaminu
• liceu – nazwa liceum
• judet – województwo, w którym znajduje się liceum
• materie – przedmiot maturalny
• medie – średnia ocen uzyskanych przez uczniów liceum z danego przedmiotu
• procent_reusita – procent uczniów, którzy zdali egzamin
• numar_candidati – liczba kandydatów
• preferinta_materie – procent uczniów, którzy wybrali dany przedmiot
• anomalie - może mieć wartość 0 jeśli nie jest uważana za sytuację anormalną lub wartość 1 jeśli sytuacja jest niezwykła.

Uwaga: Dla każdego liceum mamy również ogólne statystyki. W tych przypadkach w kolumnie materie znajdujemy wartość GENERAL.

Plik train.csv zawiera statystyki z okresu 2014-2022, a plik test.csv zawiera dane za rok 2023, jednak kolumny medie i anomalie nie są dostępne.

Wymagania

Wymaganie 1 - Identyfikacja preferowanego przedmiotu (10 punktów)

Zidentyfikuj, który przedmiot miał największą preferencję w roku 2023 w COLEGIUL NATIONAL "UNIREA" FOCSANI, jeśli wykluczymy przedmiot LIMBA ROMANA, który był obowiązkowy dla wszystkich kandydatów.

Wymaganie 2 - Identyfikacja pomyślnego roku dla Informatyki (10 punktów)

Zidentyfikuj, w którym roku z okresu 2014-2022 przedmiot INFORMATICA MI C-C++ miał największą popularność w COLEGIUL NATIONAL "UNIREA" FOCSANI. Uważamy, że popularność jest określana przez procent z kolumny preferinta_materie (im wyższy ten procent, tym bardziej uważamy, że przedmiot był popularny).

Wymaganie 3 - Oszacowanie wydajności liceów (40 punktów)

Używając informacji dostępnych w pliku train.csv, oszacuj wartość uzyskanej średniej dla każdego wiersza z pliku test.csv (rok 2023).

Do tego wymagania możesz użyć dowolnej metody analizy statystycznej lub modelowania opartego na danych historycznych, biorąc pod uwagę:

• analizowany przedmiot,
• historię liceum,
• ewolucję wyników w czasie,
• ogólny kontekst wyników na poziomie województwa lub kraju.

Celem jest uzyskanie oszacowań jak najbliższych rzeczywistym wartościom.

Wymaganie 4 - Identyfikacja nietypowych wyników (40 punktów)

Przeanalizuj dane historyczne z okresu 2014–2022 i zdecyduj dla każdego wiersza z pliku test.csv, czy odpowiadający mu wynik z roku 2023 jest:

• normalny, lub
• nietypowy, który znacząco odbiega od zwykłego zachowania.

W podejmowaniu decyzji możesz wziąć pod uwagę:

• historię danego liceum,
• wahania z roku na rok,
• różnice między przedmiotami,
• porównanie z innymi podobnymi liceami.

Końcowy wynik dla każdego wiersza musi być etykietą binarną:

• 0 - wynik normalny
• 1 - wynik nietypowy

Format zgłoszenia

Do automatycznej oceny musisz przesłać plik w formacie csv o następującej strukturze:

• id – identyfikator wiersza (odpowiadający temu z test.csv)
  • dla zadania 1 użyjesz wartości 1 dla id
  • dla zadania 2 użyjesz wartości 2 dla id
• subtaskID – identyfikator wymagania:
  • 1 dla identyfikacji preferowanego przedmiotu (wymaganie 1)
  • 2 dla identyfikacji pomyślnego roku dla Informatyki (wymaganie 2)
  • 3 dla oszacowania średniej (wymaganie 3)
  • 4 dla identyfikacji nietypowych wyników (wymaganie 4)
• answer – odpowiedź odpowiadająca wymaganiu:
  • dla subtaskID = 1: nazwa przedmiotu dokładnie tak, jak pojawia się w zbiorze danych
  • dla subtaskID = 2: rok
  • dla subtaskID = 3: wartość numeryczna (oszacowanie średniej)
  • dla subtaskID = 4: 0 lub 1

Ocena

Dla wymagań 1–2 ocena jest dokładna (przez porównanie).

Dla wymagania 3 ocena jest przeprowadzana przy użyciu Mean Absolute Error (MAE).

Zasady:

• MAE < 0.3 → maksymalny punktaż
• MAE > 1.0 → 0 punktów
• Dla wartości między tymi dwoma progami punkty są przyznawane proporcjonalnie.

Dla wymagania 4 punkty są przyznawane zgodnie z następującymi zasadami:

• AUC ≥ 0.95 → 40 punktów
• AUC ≤ 0.70 → 0 punktów
• Przedział między nimi: punkty proporcjonalne

⬇️ Pobierz Starter Kit