Förutsägelse av tågförsening - Svårighetsgrad: EASY

Problembeskrivning

🚆 Förutsägelse av tågförsening ⏱️

🇷🇴 Kontext 🚃

Det nationella järnvägsbolaget vill förutsäga förseningen för ett tåg (i minuter, heltal) vid ankomst till slutstationen. För detta ändamål erbjuds er en dataset med detaljer om resor från det senaste året.

För varje resa känner vi till följande egenskaper:

Namn	Typ	Beskrivning
`SampleID`	int	Unik identifierare för provet
`departure_time`	string (HH:MM)	Tågets avgångstid
`distance_km`	float	Rutt totala sträcka
`avg_speed_kmh`	float	Verklig genomsnittshastighet
`num_stops`	int	Antal mellanliggande stopp
`weather`	kategori	Väderförhållanden: `sunny`, `rain`, `snow`, `fog`
`weekday`	kategori	Veckodag
`special_events`	0/1	Exceptionella händelser på rutten
`num_cars`	int	Antal vagnar
`ticket_price`	float	Biljettpris
`comfort_class`	kategori	`standard`, `intermediate`, `premium`
`delay_minutes`	int	Målvariabel – tågförsening i minuter

Informationen delay_minutes är endast tillgänglig i träningsuppsättningen (train.csv).

🎯 Problemets syfte ⏱️

Ni ska träna en modell som kan förutsäga delay_minutes baserat på de andra egenskaperna.

📝 Inlämningsformat

Ni ska ladda upp en csv-fil (submission.csv) med följande format:

Python
1SampleID,delay_minutes20,1231,342,15

där:

SampleID ska stämma överens med värdena från test.csv
delay_minutes är er modells förutsägelse, avrundad till heltal

📊 Utvärdering

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

$MAE$

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

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

Filer

Ladda ner problemfiler

Lämna in lösning

Ladda upp resultatfilen manuellt. Du kan också bifoga källkoden.Max 100 MB totalt

Inlämningsfil

Klicka för att ladda upp eller dra och släpp

CSV, ZIP, etc. (MAX. 100MB)

Källkodsfil (valfritt)

Klicka för att ladda upp eller dra och släpp

Arkiv, notebook eller kodfil

Logga in för att ladda upp en inlämning.

ELLER

Arbeta och lämna in från Google Colab

Öppna en notebook som är förberedd för den här uppgiften. Den första cellen ansluter uppgiften och hämtar tillgängliga data. När du är klar kan du skicka filerna för utvärdering direkt från notebooken.

Inlämningar från Colab använder samma utvärderare och samma gränser. Följ resultatet under Mina inlämningar.

MLCompete har bara åtkomst till den notebook som tjänsten skapar i ditt Google Drive, inte till dina andra filer.

Öppnas den inte? Använd en tillfällig kod

Skapa koden här, öppna den offentliga notebooken och ange koden när den första cellen ber om den.

Logga först in på MLCompete för att skapa en kod för arbetsytan.

Öppna den offentliga notebooken i Colab

Klistra endast in koden för arbetsytan när notebooken ber om den. Dela den aldrig med någon annan.