Predviđanje školskih performansi

📝 Predviđanje školskih performansi

📘 Opis problema

Želi se konstruisanje modela regresije koji će predvideti finalni rezultat na ispitu (Exam_Score) na osnovu akademskih, društvenih i ličnih faktora učenika.

Model prima skup karakteristika (features) i treba da proceni kontinuiranu numeričku vrednost.

---

🔹 Karakteristike (features)

Svaka instanca sadrži više varijabli, kao što su:

• StudyHours
• Attendance
• ParentalInvolvement
• HealthStatus
• ... (druge kolone postojeće u datasetu)

Ciljna etiketa:

• Exam_Score — numerički rezultat dobijen na ispitu

---

📘 Struktura ulaznih fajlova

train.csv

Sadrži sve karakteristike + ciljnu etiketu.

Obavezne kolone:

• SampleID
• različite features (kategoričke + numeričke)
• 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 istu strukturu kao train.csv, ali bez kolone Exam_Score, jer je to ono što treba predvideti.

Primer:

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

---

📤 Submisija

Fajl submission.csv mora da sadrži tačno dve kolone:

• SampleID
• Exam_Score — predikcija modela

Primer:

SampleID	Exam_Score
101	81.2
102	49.7

---

⚙️ Evaluacija

Evaluacija modela se vrši sa dve vrednosti:

• Partial RMSE – koristeći 50% podataka
• Complete RMSE – koristeći sve podatke

Zatim se RMSE konvertuje u skor 0–100 kroz linearnu interpolaciju:

• Mali RMSE => veliki skor
• Veliki RMSE => mali skor

Idealan model (RMSE = 0) dobija maksimalni skor od 100.

---

📊 Izvor podataka

Dataset je generisan na osnovu javnog skupa podataka sa Kaggle: Student Performance Factors Dataset

---