Predikcia ročného príjmu (Adult Income)

📖 Predikcia ročného príjmu (Adult Income)

Boli ste prijatí ako dátoví vedci do malého „laboratória ekonomických predpovedí". Vašou úlohou je zistiť, kto prekonáva hranicu 50 000 USD ročne a kto nie, s použitím reálnych údajov o vzdelaní, práci a každodennom živote. Máte k dispozícii dva súbory so socioekonomickými údajmi, ktoré sú popísané nižšie:

📋 Popis stĺpcov

Poznámka:
Stĺpec income je k dispozícii iba v trénovacích údajoch (train.csv).

🧩 Podúlohy

Subtask 1 (10 bodov)

Analyzujte trénovacie údaje (train.csv) a určte:

Ktorá krajina pôvodu (native_country), iná ako United-States, má najvyšší počet osôb s príjmom >50K?

Výsledkom musí byť reťazec s presným názvom krajiny tak, ako sa objavuje v údajoch.

Subtask 2 (15 bodov)

Analyzujte trénovacie údaje (train.csv) a určte:

Ktoré povolanie (occupation) má najvyššiu mieru príjmu >50K?

Miera príjmu >50K pre povolanie sa vypočíta ako: počet osôb s príjmom >50K v danom povolaní vydelený celkovým počtom osôb v danom povolaní.

Výsledkom musí byť reťazec s presným názvom povolania tak, ako sa objavuje v údajoch.

Subtask 3 (55 bodov)

Zostavte klasifikačný model schopný predpovedať hodnotu stĺpca income pre všetky pozorovania v test.csv.

Model musí produkovať jednu z dvoch tried:

• <=50K
• >50K

Subtask 4 (20 bodov)

Stĺpec profile_description obsahuje textové popisy profesijných profilov. Aplikujte metódu clusteringu na tento stĺpec, aby ste zoskupili pozorovania z test.csv do klastrov.

Vráťte pre každé pozorovanie z test.csv štítok klastra (celočíselná hodnota).

📊 Hodnotenie

Subtask 1: Presná zhoda so správnou odpoveďou.

Subtask 2: Presná zhoda so správnou odpoveďou.

Subtask 3: Hodnotenie sa vykonáva pomocou F1 Macro:

• f1_macro ≥ 0.80 → 55 bodov
• f1_macro < 0.60 → 0 bodov
• Medziľahlé hodnoty sú bodované proporcionálne medzi 0 a 55

Subtask 4: Hodnotenie sa vykonáva pomocou Adjusted Rand Index (ARI):

• ARI ≥ 0.90 → 20 bodov
• ARI ≤ 0.00 → 0 bodov
• Medziľahlé hodnoty sú bodované proporcionálne medzi 0 a 20

📄 Formát odovzdávaného súboru

Odovzdávaný súbor musí byť vo formáte CSV s nasledujúcimi stĺpcami:

• subtaskID – index podúlohy
• datapointID – jedinečný identifikátor z dátovej sady
• answer – odpoveď alebo predikcia

Príklad:

1subtaskID,datapointID,answer21,1,India32,2,Sales43,10001,<=50K53,10002,>50K64,10001,074,10002,2

Poznámka:

• Pre Subtask 1 a Subtask 2 musí byť datapointID postupne 1, respektíve 2.
• Pre Subtask 3 a Subtask 4 musí byť datapointID hodnota sampleid z test.csv.

📊 Zdroj údajov

Adult / Census Income Dataset – UCI Machine Learning Repository