BAC pod lupou

Kontext

Počas rokov poskytujú výsledky maturitných skúšok detailný obraz o výkonnosti stredných škôl v Rumunsku. Analýzou historických údajov za niekoľko rokov môžeme objaviť trendy, vývoj školskej výkonnosti a niekedy aj výsledky, ktoré vybočujú z rámca.

V tomto kontexte je cieľom tejto úlohy štatisticky analyzovať výkonnosť stredných škôl na maturitných skúškach, vybudovať prediktívne modely a identifikovať atypické výsledky pomocou metód strojového učenia.

Popis údajov

Na riešenie požiadaviek tejto úlohy máte prístup k štruktúrovanému datasetu vo forme dvoch csv súborov: train.csv a test.csv. Tento dataset obsahuje agregované výsledky stredných škôl z rôznych predmetov maturitných skúšok za obdobie 2014–2023.

Každý riadok v datasete (bez ohľadu na to, či ide o trénovaciu alebo testovaciu sadu) predstavuje výsledky strednej školy pre predmet v roku.

Dostupné stĺpce:

• id – jedinečný identifikátor riadku
• an – rok skúšky
• liceu – názov strednej školy
• judet – okres, v ktorom sa stredná škola nachádza
• materie – maturitný predmet
• medie – priemer známok získaných študentmi strednej školy z daného predmetu
• procent_reusita – percento študentov, ktorí úspešne absolvovali skúšku
• numar_candidati – počet kandidátov
• preferinta_materie – percento študentov, ktorí si vybrali daný predmet
• anomalie - môže mať hodnotu 0, ak sa nepovažuje za abnormálnu situáciu, alebo hodnotu 1, ak je situácia neobvyklá.

Poznámka: Pre každú strednú školu máme aj niektoré všeobecné štatistiky. Pre tie nájdeme v stĺpci materie hodnotu GENERAL.

Súbor train.csv obsahuje štatistiky z obdobia 2014-2022, zatiaľ čo súbor test.csv obsahuje údaje za rok 2023, avšak stĺpce medie a anomalie nie sú dostupné.

Požiadavky

Požiadavka 1 - Identifikácia obľúbeného predmetu (10 bodov)

Identifikujte, ktorý predmet mal najväčšiu obľubu v roku 2023 na COLEGIUL NATIONAL "UNIREA" FOCSANI, ak vylúčime predmet LIMBA ROMANA, ktorý bol povinný pre všetkých kandidátov.

Požiadavka 2 - Identifikácia prosperujúceho roku pre informatiku (10 bodov)

Identifikujte, v ktorom roku z obdobia 2014-2022 mal predmet INFORMATICA MI C-C++ najväčšiu popularitu na COLEGIUL NATIONAL "UNIREA" FOCSANI. Považujeme, že popularita je daná percentom zo stĺpca preferinta_materie (čím vyššie je toto percento, tým viac budeme považovať predmet za populárnejší).

Požiadavka 3 - Odhad výkonnosti stredných škôl (40 bodov)

Pomocou informácií dostupných v súbore train.csv odhadnite hodnotu dosiahnutého priemeru pre každý riadok v súbore test.csv (rok 2023).

Pre túto požiadavku môžete použiť akúkoľvek metódu štatistickej analýzy alebo modelovania založeného na historických údajoch, berúc do úvahy:

• analyzovaný predmet,
• históriu strednej školy,
• vývoj výsledkov v čase,
• všeobecný kontext výkonnosti na úrovni okresu alebo krajiny.

Cieľom je získanie odhadov čo najbližších k skutočným hodnotám.

Požiadavka 4 - Identifikácia atypických výsledkov (40 bodov)

Analyzujte historické údaje z obdobia 2014–2022 a rozhodnite pre každý riadok v súbore test.csv, či je zodpovedajúci výsledok za rok 2023:

• normálny, alebo
• atypický, ktorý sa významne odchyľuje od obvyklého správania.

Pri rozhodovaní môžete zohľadniť:

• históriu príslušnej strednej školy,
• variácie z roka na rok,
• rozdiely medzi predmetmi,
• porovnanie s podobnými strednými školami.

Konečný výsledok pre každý riadok musí byť binárny štítok:

• 0 - normálny výsledok
• 1 - atypický výsledok

Formát submisie

Pre automatické hodnotenie musíte nahrať súbor vo formáte csv s nasledujúcou štruktúrou:

• id – identifikátor riadku (zodpovedajúci tomu z test.csv)
  • pre úlohu 1 použijete hodnotu 1 pre id
  • pre úlohu 2 použijete hodnotu 2 pre id
• subtaskID – identifikátor požiadavky:
  • 1 pre identifikáciu obľúbeného predmetu (požiadavka 1)
  • 2 pre identifikáciu prosperujúceho roku pre informatiku (požiadavka 2)
  • 3 pre odhad priemeru (požiadavka 3)
  • 4 pre identifikáciu atypických výsledkov (požiadavka 4)
• answer – odpoveď zodpovedajúca požiadavke:
  • pre subtaskID = 1: názov predmetu presne tak, ako sa objavuje v datasete
  • pre subtaskID = 2: rok
  • pre subtaskID = 3: numerická hodnota (odhad priemeru)
  • pre subtaskID = 4: 0 alebo 1

Hodnotenie

Pre požiadavky 1–2 sa hodnotí presne (porovnaním).

Pre požiadavku 3 sa hodnotenie vykonáva pomocou Mean Absolute Error (MAE).

Pravidlá:

• MAE < 0.3 → maximálne bodové skóre
• MAE > 1.0 → 0 bodov
• Pre hodnoty medzi týmito dvoma prahmi sa body udeľujú proporcionálne.

Pre požiadavku 4 sa bodové skóre udeľuje podľa nasledujúcich pravidiel:

• AUC ≥ 0.95 → 40 bodov
• AUC ≤ 0.70 → 0 bodov
• Interval medzi nimi: proporcionálne bodové skóre

⬇️ Stiahnuť Starter Kit