Uppdrag Juditis - 11/12

Kontext

Efter ett kosmiskt fenomen kallat Chaos Convergence har karaktärer från flera serietidningsuniversum sammanförts i en enda verklighet. Interdimensional Hero Monitoring Agency (AIME) har centraliserat data om dessa hjältar för att snabbt kunna analysera deras profiler och fatta automatiserade beslut.

De registrerade uppgifterna beskriver både allmänna egenskaper hos karaktärerna, såväl som förmågor och numerisk statistik associerad med dem. Analys av dessa data är viktig för att:

• snabbt extrahera beskrivande statistik om datasetet;
• rekonstruera saknad information för nya karaktärer;
• klassificera förmågor baserat på andra tillgängliga drag.

För att lösa problemet har du tillgång till två filer:

• train.csv – innehåller märkta exempel som används för analys och träning av modeller;
• test.csv – innehåller samma variabler, men inkluderar inte kolumnerna powerstats__combat och Super Strength, som ska förutsägas i Task 3 och Task 4.

Hjältarnas universum

I datasetet förekommer karaktärer från flera förlagsuniversum, till exempel:

• Marvel Comics
• DC Comics
• Dark Horse Comics
• Image Comics
• Shueisha
• George Lucas
• Microsoft
• J. K. Rowling

I detta problem motsvarar begreppet "universum" värdet i kolumnen Publisher.

Beskrivning av datasetet

Varje rad i filerna train.csv och test.csv motsvarar en karaktär.

Datasetet innehåller:

• en unik identifierare: id;
• beskrivande variabler om karaktären;
• binära variabler som indikerar närvaro eller frånvaro av vissa förmågor;
• kontinuerliga numeriska variabler av typen powerstats__...;
• ytterligare kolumner med information om hjältarna.

Exempel på kolumner:

Krav

Task 1 - Antal distinkta universum (10 poäng)

Använd data från filen train.csv för att bestämma hur många distinkta värden som förekommer i kolumnen Publisher.

Task 2 - Förlaget med flest positiva hjältar (10 poäng)

Använd data från filen train.csv och betrakta endast karaktärer där Alignment = good.

Bestäm vilket förlag som har flest positiva hjältar.

Vid oavgjort väljs det förlag som kommer först i alfabetisk ordning.

Task 3 - Prediktion av powerstats__combat (40 poäng)

Baserat på data i filen train.csv, träna en modell som kan förutsäga värdena för attributet powerstats__combat för varje karaktär i test.csv.

Task 4 - Prediktion av förmågan Super Strength (40 poäng)

Baserat på data i filen train.csv, träna en modell som kan förutsäga värdena för attributet Super Strength för varje karaktär i test.csv.

Tillåtna värden är (prediktionerna måste vara slutgiltiga binära etiketter, inte sannolikheter):

10.021.0

Format för inlämningsfil

Inlämningsfilen måste vara i csv-format och innehålla följande kolumner:

Möjliga värden för subtaskID är:

För Task 1 och Task 2 är svaret globalt och skickas med det speciella värdet GLOBAL i kolumnen id.

Exempel på filen submission.csv

1id,subtaskID,answer2GLOBAL,task1,13GLOBAL,task2,Cartoon Network443,task3,2.57550,task3,5.1761,task4,0.074,task4,1.0

Utvärdering

Totalpoängen är 100 poäng.

Task 1 (10 poäng)

Utvärderingen sker genom exakt jämförelse mellan det inskickade värdet och det korrekta svaret.

Task 2 (10 poäng)

Utvärderingen sker genom exakt jämförelse mellan det inskickade värdet och det korrekta svaret.

Task 3 (40 poäng)

För Task 3 används mätvärdet MAE (Mean Absolute Error).

Poäng ges enligt följande:

• om MAE ≤ 12.0, ges 40 poäng;
• om MAE ≥ 30.0, ges 0 poäng;
• för mellanliggande värden interpoleras poängen linjärt.

Formeln som används är:

1score_task3 = 40 × (30 - MAE) / (30 - 12), för 12 < MAE < 30

Task 4 (40 poäng)

För Task 4 används mätvärdet Accuracy.

Poäng ges enligt följande:

• om Accuracy ≥ 0.90, ges 40 poäng;
• om Accuracy ≤ 0.55, ges 0 poäng;
• för mellanliggande värden interpoleras poängen linjärt.

Formeln som används är:

1score_task4 = 40 × (Accuracy - 0.55) / (0.90 - 0.55), för 0.55 < Accuracy < 0.90