Прогнозирование академической успеваемости

📝 Прогнозирование академической успеваемости

📘 Описание задачи

Требуется построить модель регрессии, которая будет предсказывать итоговый балл на экзамене (Exam_Score) на основе академических, социальных и личных факторов учащихся.

Модель получает набор характеристик (features) и должна оценить непрерывное числовое значение.

---

🔹 Характеристики (features)

Каждый экземпляр содержит несколько переменных, таких как:

• StudyHours
• Attendance
• ParentalInvolvement
• HealthStatus
• ... (другие столбцы, существующие в датасете)

Целевая метка:

• Exam_Score — числовой балл, полученный на экзамене

---

📘 Структура входных файлов

train.csv

Содержит все характеристики + целевую метку.

Обязательные столбцы:

• SampleID
• различные features (категориальные + числовые)
• Exam_Score

Пример:

SampleID	StudyHours	Attendance	ParentalInvolvement	...	Exam_Score
1	3.5	High	Medium	...	78
2	1.2	Low	Low	...	55
3	4.0	High	High	...	92

---

test.csv

Имеет ту же структуру, что и train.csv, но без столбца Exam_Score, поскольку его нужно предсказать.

Пример:

SampleID	StudyHours	Attendance	ParentalInvolvement	...
101	3.0	High	Medium	...
102	0.7	Low	Low	...

---

📤 Отправка решения

Файл submission.csv должен содержать ровно два столбца:

• SampleID
• Exam_Score — предсказание модели

Пример:

SampleID	Exam_Score
101	81.2
102	49.7

---

⚙️ Оценка

Оценка моделей производится с помощью двух значений:

• Partial RMSE – используя 50% данных
• Complete RMSE – используя все данные

Затем RMSE преобразуется в балл 0–100 через линейную интерполяцию:

• Малый RMSE => высокий балл
• Большой RMSE => низкий балл

Идеальная модель (RMSE = 0) получает максимальный балл 100.

---

📊 Источник данных

Датасет сгенерирован на основе публичного набора данных с Kaggle: Student Performance Factors Dataset

---