Predikcija godišnjeg prihoda (Adult Income)

📖 Predikcija godišnjeg prihoda (Adult Income)

Regrutovani ste kao data scientist u malu „laboratoriju za ekonomska predviđanja". Vaš zadatak je da otkrijete ko probija barijeru od 50.000 USD godišnje, a ko ne, koristeći stvarne podatke o obrazovanju, radu i svakodnevnom životu. Na raspolaganju imate dva fajla sa socio-ekonomskim podacima, opisanim u nastavku:

📋 Opis kolona

Napomena:
Kolona income je dostupna samo u podacima za obuku (train.csv).

🧩 Podzadaci

Podzadatak 1 (10 poena)

Analizirajte podatke za obuku (train.csv) i odredite:

Koja je zemlja porekla (native_country), osim United-States, sa najvećim brojem osoba koje imaju prihod >50K?

Rezultat mora biti string sa tačnim nazivom zemlje, onako kako se pojavljuje u podacima.

Podzadatak 2 (15 poena)

Analizirajte podatke za obuku (train.csv) i odredite:

Koje zanimanje (occupation) ima najveću stopu prihoda >50K?

Stopa prihoda >50K za određeno zanimanje izračunava se kao: broj osoba sa prihodom >50K u tom zanimanju, podeljen sa ukupnim brojem osoba u tom zanimanju.

Rezultat mora biti string sa tačnim nazivom zanimanja, onako kako se pojavljuje u podacima.

Podzadatak 3 (55 poena)

Izgradite model klasifikacije sposoban da predvidi vrednost kolone income za sva zapažanja u test.csv.

Model mora da proizvede jednu od dve klase:

• <=50K
• >50K

Podzadatak 4 (20 poena)

Kolona profile_description sadrži tekstualne opise profesionalnih profila. Primenite metodu klasterovanja (clustering) na ovu kolonu kako biste grupisali zapažanja iz test.csv u klastere.

Za svako zapažanje iz test.csv vratite oznaku klastera (celobrojna numerička vrednost).

📊 Evaluacija

Podzadatak 1: Tačno podudaranje sa tačnim odgovorom.

Podzadatak 2: Tačno podudaranje sa tačnim odgovorom.

Podzadatak 3: Evaluacija se vrši pomoću F1 Macro:

• f1_macro ≥ 0.80 → 55 poena
• f1_macro < 0.60 → 0 poena
• Međuvrednosti se boduju proporcionalno između 0 i 55

Podzadatak 4: Evaluacija se vrši pomoću Adjusted Rand Index (ARI):

• ARI ≥ 0.90 → 20 poena
• ARI ≤ 0.00 → 0 poena
• Međuvrednosti se boduju proporcionalno između 0 i 20

📄 Format fajla za slanje

Fajl za slanje mora biti u CSV formatu, sa sledećim kolonama:

• subtaskID – indeks podzadatka
• datapointID – jedinstveni identifikator iz seta podataka
• answer – odgovor ili predikcija

Primer:

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

Napomena:

• Za Podzadatak 1 i Podzadatak 2, datapointID mora biti 1, odnosno 2.
• Za Podzadatak 3 i Podzadatak 4, datapointID mora biti vrednost sampleid iz test.csv.

📊 Izvor podataka

Adult / Census Income Dataset – UCI Machine Learning Repository