Предвиђање резултата на испиту - Симулација OJIA 3

🏫 Predviđanje rezultata na ispitu

Za ovaj problem treba da implementirate model regresije koji može da predvidi rezultat dobijen na ispitu (Exam_Score) koristeći dostupan skup podataka. Skup podataka je organizovan u CSV fajlu, a performanse modela će se evaluirati na osnovu Mean Absolute Error (MAE).

---

🔹 Skup podataka

Skup podataka sadrži sledeće kolone:

• ID: Jedinstveni identifikacioni broj studenta
• Hours_Studied: Broj sati provedenih u učenju
• Attendance: Procenat prisustva na časovima
• Parental_Involvement: Nivo uključenosti roditelja (Low, Medium, High)
• Access_to_Resources: Pristup obrazovnim resursima (Low, Medium, High)
• Extracurricular_Activities: Učešće u vannastavnim aktivnostima (Yes/No)
• Sleep_Hours: Prosečan broj sati spavanja po noći
• Previous_Scores: Prethodno postignuti rezultati na ispitima
• Motivation_Level: Nivo motivacije (Low, Medium, High)
• Internet_Access: Pristup internetu za učenje (Yes/No)
• Tutoring_Sessions: Broj sesija privatnih časova
• Family_Income: Porodični prihod (Low, Medium, High)
• Teacher_Quality: Kvalitet nastavnika kako ga percipira učenik (Low, Medium, High)
• School_Type: Tip škole (Public/Private)
• Peer_Influence: Uticaj vršnjaka na učenika (Negative, Neutral, Positive)
• Physical_Activity: Broj sati fizičke aktivnosti nedeljno
• Learning_Disabilities: Prisustvo teškoća u učenju (Yes/No)
• Parental_Education_Level: Nivo obrazovanja roditelja (High School, College, Postgraduate)
• Distance_from_Home: Udaljenost između kuće i škole (Near, Moderate, Far)
• Gender: Pol učenika (Male/Female)
• Exam_Score: Ciljna varijabla, rezultat dobijen na ispitu (numerička vrednost)

---

📚 Zadaci

Podzadatak 1 (10 poena)

Izračunajte prosek vrednosti iz kolone Hours_Studied na skupu za treniranje. Za svakog studenta iz testa, odredite modul razlike između Hours_Studied i izračunatog proseka.

Podzadatak 2 (10 poena)

Odredite za svakog studenta iz testa da li spava malo (<7 sati). Rezultat će biti True ili False.

Podzadatak 3 (10 poena)

Prebrojite koliko studenata iz skupa za treniranje je imalo prethodni rezultat (Previous_Scores) veći ili jednak od svakog studenta iz testa.

Podzadatak 4 (10 poena)

Odredite broj studenata iz treniranja sa istim nivoom motivacije (Motivation_Level) kao svaki student iz testa.

Podzadatak 5 (60 poena)

Konstruišite model regresije za predviđanje Exam_Score na osnovu datih karakteristika. Model treba da generalizuje na nove podatke i biće evaluiran sa MAE.

---

📊 Napomene o skupu podataka

• Ciljna kolona: Exam_Score
• Model treba trenirati na train_data.csv i evaluirati na test_data.csv
• Preporučuje se provera nedostajućih vrednosti i normalizacija karakteristika.

---

⚙️ Kriterijumi evaluacije

• Performanse: MAE što manji

---

📨 Format fajla za submisiju

Fajl za submisiju treba da bude CSV sa tačno tri kolone:

Kolona	Tip	Opis
subtaskID	integer	Predstavlja ID podzadatka (od 1 do 5).
datapointID	integer/string	Predstavlja jedinstveni identifikator reda iz test skupa (ID).
answer	float / int / bool	Odgovor za odgovarajući podzadatak. Tip vrednosti zavisi od podzadatka: • Podzadatak 1: float • Podzadatak 2: boolean • Podzadatak 3: integer • Podzadatak 4: integer • Podzadatak 5: float (predikcije modela)

🔹 Primeri

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

Važno: Svaki red u CSV predstavlja odgovor za jedan podzadatak i jednu tačku podataka. Za svaki datapointID mora postojati po jedan red za svaki podzadatak.

---

📝 Napomena

Slanje sample_output generiše 6 poena.

🗂️ Korisni resursi

• Kompletan Starter Kit – sadrži skelet od kojeg možete početi rešavanje problema