Классификация видов цветов Ирис

🌸 Классификация типа ириса

Описание задачи

Требуется построить модель классификации, которая определяет вид цветка на основе его характеристик.

Каждый образец характеризуется 4 числовыми атрибутами: длиной и шириной чашелистика и лепестка, а метка (species) указывает вид цветка:

• setosa
• versicolor
• virginica

Этот тип задачи относится к категории многоклассовой классификации (multi-class classification).

Датасет получен из классической коллекции Iris (UCI ML Repository).

🔹 Признаки (features)

• sepal_length
• sepal_width
• petal_length
• petal_width

📘 Структура входных файлов

train.csv

Содержит все 4 колонки features плюс колонку:

• target – представляет вид цветка (0=setosa, 1=versicolor, 2=virginica)

Пример:

1     sepal_length_(cm)  sepal_width_(cm)  petal_length_(cm)  petal_width_(cm)  target  SampleID28                  4.4               2.9                1.4               0.2       0         93106                4.9               2.5                4.5               1.7       2       107476                 6.8               2.8                4.8               1.4       1        7759                  4.9               3.1                1.5               0.1       0        10689                 5.5               2.5                4.0               1.3       1        90

test.csv

Содержит те же колонки без target, но включает SampleID.

Пример:

1     sepal_length_(cm)  sepal_width_(cm)  petal_length_(cm)  petal_width_(cm)  SampleID238                 4.4               3.0                1.3               0.2        393127                6.1               3.0                4.9               1.8       128457                 4.9               2.4                3.3               1.0        58593                 5.0               2.3                3.3               1.0        94642                 4.4               3.2                1.3               0.2        43

📤 Подача решения

Выходной файл (submission.csv) должен содержать ровно две колонки:

• SampleID
• label – предсказанный вид (0, 1 или 2)

Пример:

⚙️ Оценка

Оценка моделей будет проводиться с использованием следующей метрики:

• Macro F1-score

Эта метрика подходит для многоклассовой классификации, поскольку придает равный вес каждому классу, независимо от количества примеров в каждом.

Общая формула:

где C — количество классов, а F1_i — F1-оценка для класса i.

Итоговая оценка выражается в процентах (0–100), округленная до двух знаков после запятой.

📊 Источник

Датасет происходит из оригинальной коллекции:
UCI Machine Learning Repository – Iris Data Set