Napoved rezultata na izpitu - Simulacija OJIA 3

🏫 Napoved ocene na izpitu

Za to nalogo morate implementirati regresijski model, ki lahko napoveduje doseženo oceno na izpitu (Exam_Score) z uporabo razpoložljivega nabora podatkov. Nabor podatkov je organiziran v datoteki CSV, uspešnost modela pa se bo ocenjevala na podlagi Mean Absolute Error (MAE).

---

🔹 Nabor podatkov

Nabor podatkov vsebuje naslednje stolpce:

• ID: Edinstvena identifikacijska številka študenta
• Hours_Studied: Število ur, preživetih z učenjem
• Attendance: Odstotek prisotnosti na predavanjih
• Parental_Involvement: Raven vključenosti staršev (Low, Medium, High)
• Access_to_Resources: Dostop do izobraževalnih virov (Low, Medium, High)
• Extracurricular_Activities: Sodelovanje pri obšolskih dejavnostih (Yes/No)
• Sleep_Hours: Povprečno število ur spanja na noč
• Previous_Scores: Prej dosežene ocene na izpitih
• Motivation_Level: Raven motivacije (Low, Medium, High)
• Internet_Access: Dostop do interneta za učenje (Yes/No)
• Tutoring_Sessions: Število inštrukcijskih ur
• Family_Income: Družinski dohodek (Low, Medium, High)
• Teacher_Quality: Kakovost učiteljev, kot jo zazna učenec (Low, Medium, High)
• School_Type: Tip šole (Public/Private)
• Peer_Influence: Vpliv sošolcev na učenca (Negative, Neutral, Positive)
• Physical_Activity: Število ur telesne dejavnosti tedensko
• Learning_Disabilities: Prisotnost učnih težav (Yes/No)
• Parental_Education_Level: Raven izobrazbe staršev (High School, College, Postgraduate)
• Distance_from_Home: Razdalja med domom in šolo (Near, Moderate, Far)
• Gender: Spol učenca (Male/Female)
• Exam_Score: Ciljna spremenljivka, dosežena ocena na izpitu (numerična vrednost)

---

📚 Naloge

Podnaloga 1 (10 točk)

Izračunajte povprečje vrednosti iz stolpca Hours_Studied na učnem naboru. Za vsakega študenta iz testnega nabora določite absolutno razliko med Hours_Studied in izračunanim povprečjem.

Podnaloga 2 (10 točk)

Določite za vsakega študenta iz testnega nabora, ali ta malo spi (<7 ur). Rezultat bo True ali False.

Podnaloga 3 (10 točk)

Preštejte, koliko študentov iz učnega nabora je imelo prejšnjo oceno (Previous_Scores) večjo ali enako kot vsak študent iz testnega nabora.

Podnaloga 4 (10 točk)

Določite število študentov iz učnega nabora z isto ravnijo motivacije (Motivation_Level) kot vsak študent iz testnega nabora.

Podnaloga 5 (60 točk)

Zgradite regresijski model za napoved Exam_Score na podlagi podanih značilnosti. Model mora posploševati na nove podatke in bo ocenjen z MAE.

---

📊 Opombe o naboru podatkov

• Ciljna spremenljivka: Exam_Score
• Model mora biti treniran na train_data.csv in ocenjen na test_data.csv
• Priporoča se preverjanje manjkajočih vrednosti in normalizacija značilnosti.

---

⚙️ Merila za ocenjevanje

• Uspešnost: Čim manjši MAE

---

📨 Format datoteke za oddajo

Datoteka za oddajo mora biti CSV z natanko tremi stolpci:

Stolpec	Tip	Opis
subtaskID	integer	Predstavlja ID podnaloge (od 1 do 5).
datapointID	integer/string	Predstavlja edinstveni identifikator vrstice iz testnega nabora (ID).
answer	float / int / bool	Odgovor za ustrezno podnalogo. Tip vrednosti je odvisen od podnaloge: • Podnaloga 1: float • Podnaloga 2: boolean • Podnaloga 3: integer • Podnaloga 4: integer • Podnaloga 5: float (napovedi modela)

🔹 Primeri

subtaskID	datapointID	answer
1	101	12.5
2	101	True
3	101	7
4	101	3
5	101	85.3

Pomembno: Vsaka vrstica v CSV predstavlja odgovor za eno podnalogo in eno podatkovno točko. Za vsak datapointID mora obstajati po ena vrstica za vsako podnalogo.

---

📝 Opomba

Oddaja sample_output generira 6 točk.

🗂️ Koristni viri

• Popoln Starter Kit – vsebuje ogrodje, s katerim lahko začnete reševati nalogo