Context

În urma unui fenomen cosmic denumit Convergența Haosului, personaje din mai multe universuri de benzi desenate au fost reunite într-o singură realitate. Agenția Interdimensională de Monitorizare a Eroilor (AIME) a centralizat date despre acești eroi pentru a putea analiza rapid profilurile lor și pentru a lua decizii automate.

Datele înregistrate descriu atât caracteristici generale ale personajelor, cât și abilități și statistici numerice asociate acestora. Analiza acestor date este importantă pentru:

• extragerea rapidă a unor statistici descriptive despre dataset;
• reconstruirea unor informații lipsă pentru personaje noi;
• clasificarea unor abilități pe baza celorlalte trăsături disponibile.

Pentru rezolvarea problemei veți avea la dispoziție două fișiere:

• train.csv – conține exemple etichetate, folosite pentru analiză și antrenarea modelelor;
• test.csv – conține aceleași variabile, dar nu include coloanele powerstats__combat și Super Strength, care trebuie prezise în Task 3 și Task 4.

Universurile eroilor

În setul de date apar personaje provenite din mai multe universuri editoriale, de exemplu:

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

În această problemă, noțiunea de "univers" corespunde valorii din coloana Publisher.

Descrierea setului de date

Fiecare linie din fișierele train.csv și test.csv corespunde unui personaj.

Setul de date conține:

• un identificator unic: id;
• variabile descriptive despre personaj;
• variabile binare care indică prezența sau absența unor abilități;
• variabile numerice continue de tip powerstats__...;
• coloane suplimentare cu informații despre eroi.

Exemple de coloane:

Cerințe

Task 1 - Numărul universurilor distincte (10 puncte)

Folosind datele din fișierul train.csv, determinați câte valori distincte apar în coloana Publisher.

Task 2 - Publisher-ul cu cei mai mulți eroi pozitivi (10 puncte)

Folosind datele din fișierul train.csv, considerați doar personajele pentru care Alignment = good.

Determinați care este publisher-ul care conține cei mai mulți eroi pozitivi.

În caz de egalitate, se alege publisher-ul care este primul în ordine alfabetică.

Task 3 - Predicția lui powerstats__combat (40 puncte)

Pe baza datelor din fișierul train.csv, antrenați un model capabil să prezică valorile atributului powerstats__combat pentru fiecare personaj din test.csv.

Task 4 - Predicția abilității Super Strength (40 puncte)

Pe baza datelor din fișierul train.csv, antrenați un model capabil să prezică valorile atributului Super Strength, pentru fiecare personaj din test.csv.

Valorile permise sunt (predicțiile trebuie să fie etichete binare finale, nu probabilități):

0.0
1.0

Formatul fișierului de submisie

Fișierul de submisie trebuie să fie în format csv și să conțină următoarele coloane:

Valorile posibile pentru subtaskID sunt:

Pentru Task 1 și Task 2, răspunsul este global și se transmite folosind valoarea specială GLOBAL în coloana id.

Exemplu de fișier submission.csv

id,subtaskID,answer
GLOBAL,task1,1
GLOBAL,task2,Cartoon Network
43,task3,2.57
50,task3,5.17
1,task4,0.0
4,task4,1.0

Evaluare

Punctajul total este de 100 de puncte.

Task 1 (10 puncte)

Evaluarea se face prin comparație exactă între valoarea trimisă și răspunsul corect.

Task 2 (10 puncte)

Evaluarea se face prin comparație exactă între valoarea trimisă și răspunsul corect.

Task 3 (40 puncte)

Pentru Task 3 se utilizează metrica MAE (Mean Absolute Error).

Punctajul se acordă astfel:

• dacă MAE ≤ 12.0, se acordă 40 puncte;
• dacă MAE ≥ 30.0, se acordă 0 puncte;
• pentru valori intermediare, punctajul se interpolează liniar.

Formula utilizată este:

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

Task 4 (40 puncte)

Pentru Task 4 se utilizează metrica Accuracy.

Punctajul se acordă astfel:

• dacă Accuracy ≥ 0.90, se acordă 40 puncte;
• dacă Accuracy ≤ 0.55, se acordă 0 puncte;
• pentru valori intermediare, punctajul se interpolează liniar.

Formula utilizată este:

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