Misia Juditis - 11/12

Kontext

V dôsledku kozmického fenoménu nazývaného Konvergencia chaosu boli postavy z viacerých komiksových vesmírov zjednotené do jedinej reality. Medzidimenzionálna agentúra pre monitorovanie hrdinov (AIME) centralizovala údaje o týchto hrdinoch, aby mohla rýchlo analyzovať ich profily a prijímať automatizované rozhodnutia.

Zaznamenané údaje popisujú všeobecné charakteristiky postáv, ako aj ich schopnosti a priradené číselné štatistiky. Analýza týchto údajov je dôležitá pre:

• rýchle získavanie popisných štatistík o datasete;
• rekonštrukciu chýbajúcich informácií pre nové postavy;
• klasifikáciu schopností na základe ostatných dostupných vlastností.

Na vyriešenie problému budete mať k dispozícii dva súbory:

• train.csv – obsahuje označené príklady použité na analýzu a trénovanie modelov;
• test.csv – obsahuje rovnaké premenné, ale neobsahuje stĺpce powerstats__combat a Super Strength, ktoré je potrebné predpovedať v Task 3 a Task 4.

Vesmíry hrdinov

V súbore údajov sa objavujú postavy pochádzajúce z viacerých vydavateľských vesmírov, napríklad:

• Marvel Comics
• DC Comics
• Dark Horse Comics
• Image Comics
• Shueisha
• George Lucas
• Microsoft
• J. K. Rowling

V tejto úlohe pojem „vesmír“ zodpovedá hodnote v stĺpci Publisher.

Popis súboru údajov

Každý riadok v súboroch train.csv a test.csv zodpovedá jednej postave.

Súbor údajov obsahuje:

• unikátny identifikátor: id;
• popisné premenné o postave;
• binárne premenné indikujúce prítomnosť alebo neprítomnosť určitých schopností;
• spojité číselné premenné typu powerstats__...;
• dodatočné stĺpce s informáciami o hrdinoch.

Príklady stĺpcov:

Požiadavky

Task 1 - Počet unikátnych vesmírov (10 bodov)

Pomocou údajov v súbore train.csv určte, koľko unikátnych hodnôt sa nachádza v stĺpci Publisher.

Task 2 - Vydavateľ s najväčším počtom kladných hrdinov (10 bodov)

Pomocou údajov v súbore train.csv uvažujte iba postavy, pre ktoré platí Alignment = good.

Určte, ktorý vydavateľ obsahuje najviac kladných hrdinov.

V prípade rovnosti vyberte vydavateľa, ktorý je prvý v abecednom poradí.

Task 3 - Predikcia powerstats__combat (40 bodov)

Na základe údajov v súbore train.csv natrénujte model schopný predpovedať hodnoty atribútu powerstats__combat pre každú postavu v test.csv.

Task 4 - Predikcia schopnosti Super Strength (40 bodov)

Na základe údajov v súbore train.csv natrénujte model schopný predpovedať hodnoty atribútu Super Strength pre každú postavu v test.csv.

Povolené hodnoty sú (predikcie musia byť finálne binárne štítky, nie pravdepodobnosti):

10.021.0

Formát súboru na odovzdanie

Súbor na odovzdanie musí byť vo formáte csv a musí obsahovať nasledujúce stĺpce:

Možné hodnoty pre subtaskID sú:

Pre Task 1 a Task 2 je odpoveď globálna a odosiela sa pomocou špeciálnej hodnoty GLOBAL v stĺpci id.

Príklad súboru submission.csv

1id,subtaskID,answer2GLOBAL,task1,13GLOBAL,task2,Cartoon Network443,task3,2.57550,task3,5.1761,task4,0.074,task4,1.0

Hodnotenie

Celkový počet bodov je 100 bodov.

Task 1 (10 bodov)

Hodnotenie sa vykonáva presným porovnaním odoslanej hodnoty so správnou odpoveďou.

Task 2 (10 bodov)

Hodnotenie sa vykonáva presným porovnaním odoslanej hodnoty so správnou odpoveďou.

Task 3 (40 bodov)

Pre Task 3 sa používa metrika MAE (Mean Absolute Error).

Body sa udeľujú nasledovne:

• ak MAE ≤ 12.0, udeľuje sa 40 bodov;
• ak MAE ≥ 30.0, udeľuje sa 0 bodov;
• pre medziľahlé hodnoty sa body lineárne interpolujú.

Použitý vzorec je:

1score_task3 = 40 × (30 - MAE) / (30 - 12), pre 12 < MAE < 30

Task 4 (40 bodov)

Pre Task 4 sa používa metrika Accuracy.

Body sa udeľujú nasledovne:

• ak Accuracy ≥ 0.90, udeľuje sa 40 bodov;
• ak Accuracy ≤ 0.55, udeľuje sa 0 bodov;
• pre medziľahlé hodnoty sa body lineárne interpolujú.

Použitý vzorec je:

1score_task4 = 40 × (Accuracy - 0.55) / (0.90 - 0.55), pre 0.55 < Accuracy < 0.90