高考显微镜下

背景

多年来，高中毕业考试（Bacalaureat）的成绩为罗马尼亚高中的表现提供了详细的图像。通过分析多年的历史数据，我们可以发现趋势、学校表现的演变，有时还能发现异常的结果。

在这种背景下，本题的目标是统计分析高中在毕业考试中的表现，构建预测模型，并使用机器学习方法识别异常结果。

数据描述

为了解决本题的要求，您可以访问一个结构化的数据集，包含两个csv文件：train.csv 和 test.csv。该数据集包含高中在不同毕业考试科目上的聚合结果，时间跨度为 2014–2023年。

数据集中的每一行（无论是训练集还是测试集）代表一个 高中 在某个 科目 在某一 年份 的结果。

可用列：

• id – 行的唯一标识符
• an – 考试年份
• liceu – 高中名称
• judet – 高中所在县
• materie – 毕业考试学科
• medie – 该高中学生在该学科获得的平均分
• procent_reusita – 通过考试的学生百分比
• numar_candidati – 考生人数
• preferinta_materie – 选择该学科的学生百分比
• anomalie - 可以是 0（如果不被认为是异常情况）或 1（如果情况不寻常）

注意：对于每个高中，我们还有一些总体统计数据。对于这些数据，在 materie 列中我们找到值 GENERAL。

文件 train.csv 包含 2014-2022年 期间的统计数据，而文件 test.csv 包含 2023年 的数据，但 medie 和 anomalie 列不可用。

要求

要求1 - 识别偏好科目（10分）

识别2023年在 COLEGIUL NATIONAL "UNIREA" FOCSANI 偏好度最高的科目，如果我们排除对所有考生都是必修的 LIMBA ROMANA。

要求2 - 识别信息学的繁荣年份（10分）

识别在 2014-2022年 期间，INFORMATICA MI C-C++ 科目在 COLEGIUL NATIONAL "UNIREA" FOCSANI 最受欢迎的年份。我们认为受欢迎程度由 preferinta_materie 列中的百分比决定（这个百分比越高，我们就认为该科目越受欢迎）。

要求3 - 估计高中表现（40分）

使用 train.csv 文件中的可用信息，估计 test.csv 文件中每一行（2023年）的 平均分。

对于这个要求，您可以使用任何基于历史数据的统计分析或建模方法，考虑：

• 分析的科目，
• 高中的历史记录，
• 结果随时间的演变，
• 县级或国家级表现的总体背景。

目标是获得尽可能接近真实值的估计。

要求4 - 识别异常结果（40分）

分析 2014–2022年 期间的历史数据，并对 test.csv 文件中的每一行决定，2023年对应的结果是：

• 正常 结果，或
• 异常 结果，明显偏离正常行为。

在做决定时，您可以考虑：

• 相应高中的历史记录，
• 年度间的变化，
• 科目间的差异，
• 与类似高中的比较。

每一行的最终结果必须是二进制标签：

• 0 - 正常结果
• 1 - 异常结果

提交格式

为了自动评估，您需要上传一个 csv 格式的文件，结构如下：

• id – 行标识符（对应 test.csv 中的标识符）
  • 对于任务1，您将使用值 1 作为 id
  • 对于任务2，您将使用值 2 作为 id
• subtaskID – 要求标识符：
  • 1 用于识别偏好科目（要求1）
  • 2 用于识别信息学的繁荣年份（要求2）
  • 3 用于平均分估计（要求3）
  • 4 用于识别异常结果（要求4）
• answer – 对应要求的答案：
  • 对于 subtaskID = 1：科目名称，完全按照数据集中出现的方式
  • 对于 subtaskID = 2：年份
  • 对于 subtaskID = 3：数值（平均分估计）
  • 对于 subtaskID = 4：0 或 1

评估

要求1–2采用精确评估（通过比较）。

要求3使用 平均绝对误差（MAE） 进行评估。

规则：

• MAE < 0.3 → 满分
• MAE > 1.0 → 0分
• 对于这两个阈值之间的值，按比例给分。

对于要求4，根据以下规则给分：

• AUC ≥ 0.95 → 40分
• AUC ≤ 0.70 → 0分
• 两者之间的区间：按比例给分

⬇️ 下载入门套件