Förutsägelse av låtpopularitet

🎧 Förutsägelse av låtpopularitet 🎹

Den digitala musikindustrin utvecklas snabbt, och streamingplattformar konkurrerar om att uppskatta hur bra en låt kommer att prestera bland lyssnarna. Popularitet är inte bara en siffra, eftersom den påverkar rekommendationer, automatiserade spellistor och till och med artistkontrakt.

För att träna en ny förutsägelsemodul har du fått en dataset extraherad från Spotify, som innehåller ljudegenskaper och metadata för låtar.

Ditt mål är att bygga en modell som förutsäger populariteten för en låt baserat på numeriska egenskaper och lite hjälpinformation.

📁 Datasetet

Du har tillgång till två filer:

• train.csv — låtar med alla kolumner inklusive popularity
• test.csv — låtar utan kolumnen popularity (dessa ska förutsägas)

Varje låt har en unik identifierare och en serie egenskaper:

• track_id — unikt ID för låten
• artists
• album_name
• track_name
• popularity (endast i train)
• duration_ms
• explicit
• danceability
• energy
• key
• loudness
• mode
• speechiness
• acousticness
• instrumentalness
• liveness
• valence
• tempo
• time_signature
• track_genre

Huvudmålet är att förutsäga kolumnen popularity för testsetet.

🧠 Uppgift (100 poäng)

Bygg en maskininlärningsmodell som förutsäger populariteten för varje låt i test.csv.

Dina förutsägelser ska sparas i en fil submission.csv med formatet:

1track_id,popularity2101,42.73102,55.14103,38.0

där:

• track_id — ID för låten från test
• popularity — reellt värde (float), som representerar den förutsagda populariteten

📊 Utvärdering

Utvärderingen kommer att göras med MAE (Mean Absolute Error):

Slutpoängen beräknas baserat på MAE-poängen som erhålls med följande regler:

• MAE ≤ 5 → 100 poäng
• MAE ≥ 20 → 0 poäng
• För mellanliggande värden tilldelas poäng proportionellt mellan 0 och 100.