Exposição nacional de coelhos

Exposição nacional dos coelhos

Editorial

Num mês de dezembro com flocos grandes e silenciosos, quando a aldeia ainda cheirava a madeira queimada e a feno fresco tirado dos celeiros, no meio do país abriam-se as portas da Exposição Nacional dos Coelhos. Nos pavilhões aquecidos, brilhando sob as luzes amarelas, criadores de todos os cantos do país traziam com esperança os mais belos e bem cuidados animais.

Exemplares de três grandes raças de coelhos (cada uma com aparências e hábitos bem estabelecidos) iriam se encontrar novamente no mesmo lugar.

Cada animal recebia uma plaqueta com um ID, e num registro grosso, encadernado em couro, eram anotados todos os sinais que o distinguiam dos outros:

sexo, peso, comprimento das orelhas, se as orelhas eram caídas ou não, cor da pelagem, idade, tipo e qualidade da pelagem, forma do corpo, se tinha ou não papada, bem como o estado de saúde.

Era a forma dos organizadores de manter um testemunho completo sobre cada alma peluda que entrava no pavilhão.

Subtask 1 (20 pontos)

Os organizadores desejam saber quantas das fêmeas trazidas à exposição tinham orelhas caídas e portavam a nuance nobre de havana. O resultado deve ser determinado com base no conjunto de teste (test_data.csv).

Nada complicado, você só precisa realizar uma busca atenta pelos registros para oferecer essa resposta.

Subtask 2 (40 pontos)

Numa manhã fria, o vapor da respiração ainda subia no pavilhão, e os organizadores descobriram que uma página importante havia desaparecido do registro oficial.
A raça de cada coelho, tão cuidadosamente anotada em outros anos, não se encontrava mais em lugar algum.
Haviam sido trazidos exemplares de três raças diferentes, isso se sabia com certeza, mas os sinais que as identificavam diretamente haviam desaparecido.

Aqueles que conheciam bem os coelhos foram solicitados a observar com paciência todos os exemplares e identificar três grupos naturais, usando apenas as características anotadas: semelhanças, diferenças, limites claros, zonas onde os animais pareciam próximos ou distantes em aparência. O resultado deve ser determinado com base no conjunto de teste (test_data.csv).

Métrica de avaliação

Para avaliar quão bem se ajustam as divisões em raças, usa-se o Adjusted Rand Index (ARI), que mede a similaridade entre as duas divisões, ajustando para a correspondência aleatória.

O coeficiente ARI para duas divisões é definido como:

onde:

• RI representa o índice Rand entre as duas divisões;
• E[RI] é o valor esperado do índice Rand para divisões aleatórias.

Se o número obtido está próximo de 1, significa que a divisão em raças foi feita com habilidade e os limites entre as características das raças foram identificados corretamente. Os organizadores da exposição são muito exigentes e oferecem a pontuação máxima para este subtask apenas se o valor obtido para a métrica de avaliação for 1.

Subtask 3 (40 pontos)

Naquele dezembro, o número de participantes havia sido tão grande que os árbitros, por mais que se esforçaram, não conseguiram julgar todos os animais.
Apenas uma parte deles havia recebido um Escore de Julgamento, entre 0 e 100.

• O escore é um número entre 0 e 100, onde:
  • 0 significa que o exemplar foi desqualificado
  • 100 significa que o exemplar é um que pode ser declarado campeão

Para os outros coelhos, ainda não marcados, era preciso encontrar uma forma de adivinhar o escore que teriam recebido.
Buscava-se um sistema capaz de entender as ligações entre os coelhos já avaliados e os que ficaram sem escore, de forma que as estimativas fossem o mais próximas possível do que os árbitros teriam dito.
Quanto menores as diferenças, tanto mais hábil e adequado é considerado o sistema para ajudar as pessoas sobrecarregadas pelo grande número de animais.

Sua tarefa é desenvolver um sistema automático de predição de escores para os exemplares incluídos em test_data.csv.

Métrica de avaliação

Para a avaliação do desempenho do modelo usamos MSE (Mean Squared Error) — o erro quadrático médio. Este mede a diferença média quadrática entre os valores reais e os valores preditos.

A fórmula é:

onde:

• y_i é o escore real do exemplar i,
• y^_i é o escore predito pelo modelo,
• n é o número total de exemplares do conjunto de teste.

Valores menores de MSE indicam melhor desempenho. Quanto mais próximos os valores preditos estão dos reais, menor será o erro.

Para transformar o escore obtido em pontuação, usamos uma regra simples, baseada em dois limiares:

• Se o valor MSE < min → o participante recebe 40p (pontuação máxima).
• Se o valor MSE > max → o participante recebe 0p (pontuação mínima).
• Se o valor MSE está entre min e max → a pontuação é calculada proporcionalmente, diminuindo linearmente de 40p para 0p conforme o erro aumenta.

Formato de saída

O resultado final deve ser um arquivo CSV chamado output.csv, que deve conter exatamente 3 colunas:

• subtaskID - representa o número do subtask (1, 2, 3)
• datapointID - que se refere à coluna ID do dataset
• answer - a resposta correspondente ao datapoint para o respectivo subtask

Nota: Para o subtask 1, no qual se pede uma única resposta para todo o conjunto de dados de teste, exiba uma única linha cujo datapointID seja 1.

Por favor, envolvam-se e ajudem os organizadores da Exposição Nacional dos Coelhos: uma história sobre paixão e desempenho, entendimento entre criadores, semelhanças e diferenças entre raças e sobre a tentativa de ver o mundo dos animais com aquela paciência que apenas um bom criador pode ter em véspera de festividades.