Napoved šolske uspešnosti

📝 Napovedovanje šolske uspešnosti

📘 Opis problema

Želimo zgraditi model regresije, ki bo napovedal končni rezultat na izpitu (Exam_Score) na podlagi akademskih, socialnih in osebnih dejavnikov učencev.

Model prejme nabor značilnosti (features) in mora oceniti neprekinjeno numerično vrednost.

---

🔹 Značilnosti (features)

Vsaka instanca vsebuje več spremenljivk, kot so:

• StudyHours
• Attendance
• ParentalInvolvement
• HealthStatus
• ... (drugi stolpci, ki obstajajo v podatkovni množici)

Ciljna oznaka:

• Exam_Score — numerični rezultat, dosežen na izpitu

---

📘 Struktura vhodnih datotek

train.csv

Vsebuje vse značilnosti + ciljno oznako.

Obvezni stolpci:

• SampleID
• različne features (kategorične + numerične)
• Exam_Score

Primer:

SampleID	StudyHours	Attendance	ParentalInvolvement	...	Exam_Score
1	3.5	High	Medium	...	78
2	1.2	Low	Low	...	55
3	4.0	High	High	...	92

---

test.csv

Ima enako strukturo kot train.csv, vendar brez stolpca Exam_Score, ker ga je treba napovedati.

Primer:

SampleID	StudyHours	Attendance	ParentalInvolvement	...
101	3.0	High	Medium	...
102	0.7	Low	Low	...

---

📤 Oddaja

Datoteka submission.csv mora vsebovati natanko dva stolpca:

• SampleID
• Exam_Score — napoved modela

Primer:

SampleID	Exam_Score
101	81.2
102	49.7

---

⚙️ Vrednotenje

Vrednotenje modelov se izvaja z dvema vrednostma:

• Partial RMSE – z uporabo 50% podatkov
• Complete RMSE – z uporabo vseh podatkov

Nato se RMSE pretvori v rezultat 0–100 z linearno interpolacijo:

• Majhen RMSE => velik rezultat
• Velik RMSE => majhen rezultat

Idealen model (RMSE = 0) dobi maksimalni rezultat 100.

---

📊 Vir podatkov

Podatkovna množica je generirana na podlagi javne podatkovne množice s Kaggle: Student Performance Factors Dataset

---