Аутентификация древних картин

Описание задачи

Вы изучаете Искусственный Интеллект уже некоторое время. Старый друг вашего отца, археолог и известный искусствовед, услышал об этом и попросил вас о помощи. Вам нужно спроектировать алгоритм, который сможет классифицировать античные картины либо как подлинные произведения, либо как копии.

Поскольку профессиональная аутентификация дорогостоящая, исследовательская команда получила метки подлинности только для небольшой части картин. Для большинства образцов подлинность остается неизвестной. Известно, что цифровые характеристики картин демонстрируют сильные структурные паттерны. Ваша задача - использовать все доступные образцы - включая те, у которых метки неизвестны - для обучения модели классификации подлинности античных картин.

Набор данных

Набор данных состоит из обучающего набора, валидационного набора и тестового набора, каждый из которых содержит 500 независимых образцов.

Обучающий набор (training_set.csv)

• Первая колонка представляет ID картины (SampleID).
• Следующие пять колонок представляют цифровые характеристики каждой античной картины (feature1, feature2, feature3, feature4, feature5, feature6).
• Седьмая колонка (label) содержит метку: 1 для подлинной, -1 для копии и 0 для неизвестной.

Обучающий набор используется для обучения моделей и может быть доступен и загружен непосредственно во время соревнования.

Валидационный набор (validation_set.csv)

• Они аналогичны формату обучающего набора, но не содержат колонку с метками.

⚠️ Валидационный набор используется для вычисления счета Рейтинга A (публичного) и не был доступен непосредственно во время соревнования.

Тестовый набор (test_set.csv)

• Они аналогичны формату обучающего набора, но не содержат колонку с метками.

⚠️ Тестовый набор используется для вычисления счета Рейтинга B (приватного) и не был доступен непосредственно во время соревнования.

Задача

Ваша задача - обучить подходящую модель, способную предсказывать подлинность картин из тестовых наборов, несмотря на большое количество неразмеченных образцов.

Отправка

Вы должны сгенерировать файл submission.csv, который будет иметь следующий формат:

1SampleID, ClasamentType, label2VALIDATION_001, A, 13TEST_001, B, 1

где:

• SampleID представляет id картины (предоставленный в validation_set.csv или test_set.csv).
• ClasamentType будет иметь значение A для картин из validation_set.csv и будет иметь значение B для картин из test_set.csv.
• label - это метка, предсказанная моделью.

Оценка

Метрикой оценки будет точность классификации, определяемая как доля правильно предсказанных образцов от общего количества оцениваемых образцов.

Финальный балл вычисляется на основе полученной точности, используя следующие правила:

• accuracy ≥ 0.9 → 100 баллов
• accuracy ≤ 0.5 → 0 баллов
• Для промежуточных значений присваивается пропорциональный балл между 0 и 100.