Missão Juditis - 11/12

Contexto

Após um fenômeno cósmico denominado Convergência do Caos, personagens de vários universos de quadrinhos foram reunidos em uma única realidade. A Agência Interdimensional de Monitoramento de Heróis (AIME) centralizou dados sobre esses heróis para poder analisar rapidamente seus perfis e tomar decisões automatizadas.

Os dados registrados descrevem tanto características gerais dos personagens quanto habilidades e estatísticas numéricas associadas a eles. A análise desses dados é importante para:

• extração rápida de estatísticas descritivas sobre o dataset;
• reconstrução de informações ausentes para novos personagens;
• classificação de habilidades com base em outras características disponíveis.

Para resolver o problema, você terá à disposição dois arquivos:

• train.csv – contém exemplos rotulados, usados para análise e treinamento de modelos;
• test.csv – contém as mesmas variáveis, mas não inclui as colunas powerstats__combat e Super Strength, que devem ser previstas no Task 3 e Task 4.

Universos dos heróis

No conjunto de dados aparecem personagens vindos de vários universos editoriais, por exemplo:

• Marvel Comics
• DC Comics
• Dark Horse Comics
• Image Comics
• Shueisha
• George Lucas
• Microsoft
• J. K. Rowling

Neste problema, a noção de "universo" corresponde ao valor na coluna Publisher.

Descrição do conjunto de dados

Cada linha nos arquivos train.csv e test.csv corresponde a um personagem.

O conjunto de dados contém:

• um identificador único: id;
• variáveis descritivas sobre o personagem;
• variáveis binárias que indicam a presença ou ausência de certas habilidades;
• variáveis numéricas contínuas do tipo powerstats__...;
• colunas adicionais com informações sobre os heróis.

Exemplos de colunas:

Requisitos

Task 1 - Número de universos distintos (10 pontos)

Usando os dados do arquivo train.csv, determine quantos valores distintos aparecem na coluna Publisher.

Task 2 - A editora com mais heróis positivos (10 pontos)

Usando os dados do arquivo train.csv, considere apenas os personagens para os quais Alignment = good.

Determine qual é a editora (publisher) que contém o maior número de heróis positivos.

Em caso de empate, escolha a editora que vem primeiro em ordem alfabética.

Task 3 - Predição de powerstats__combat (40 pontos)

Com base nos dados do arquivo train.csv, treine um modelo capaz de prever os valores do atributo powerstats__combat para cada personagem em test.csv.

Task 4 - Predição da habilidade Super Strength (40 pontos)

Com base nos dados do arquivo train.csv, treine um modelo capaz de prever os valores do atributo Super Strength para cada personagem em test.csv.

Os valores permitidos são (as predições devem ser rótulos binários finais, não probabilidades):

10.021.0

Formato do arquivo de submissão

O arquivo de submissão deve estar no formato csv e conter as seguintes colunas:

Os valores possíveis para subtaskID são:

Para o Task 1 e Task 2, a resposta é global e deve ser enviada usando o valor especial GLOBAL na coluna id.

Exemplo de arquivo submission.csv

1id,subtaskID,answer2GLOBAL,task1,13GLOBAL,task2,Cartoon Network443,task3,2.57550,task3,5.1761,task4,0.074,task4,1.0

Avaliação

A pontuação total é de 100 pontos.

Task 1 (10 pontos)

A avaliação é feita por comparação exata entre o valor enviado e a resposta correta.

Task 2 (10 pontos)

A avaliação é feita por comparação exata entre o valor enviado e a resposta correta.

Task 3 (40 pontos)

Para o Task 3, utiliza-se a métrica MAE (Mean Absolute Error).

A pontuação é atribuída da seguinte forma:

• se MAE ≤ 12.0, são atribuídos 40 pontos;
• se MAE ≥ 30.0, são atribuídos 0 pontos;
• para valores intermediários, a pontuação é interpolada linearmente.

A fórmula utilizada é:

1score_task3 = 40 × (30 - MAE) / (30 - 12), para 12 < MAE < 30

Task 4 (40 pontos)

Para o Task 4, utiliza-se a métrica Accuracy.

A pontuação é atribuída da seguinte forma:

• se Accuracy ≥ 0.90, são atribuídos 40 pontos;
• se Accuracy ≤ 0.55, são atribuídos 0 pontos;
• para valores intermediários, a pontuação é interpolada linearmente.

A fórmula utilizada é:

1score_task4 = 40 × (Accuracy - 0.55) / (0.90 - 0.55), para 0.55 < Accuracy < 0.90