公平竞赛

FairPlay 和高风险比赛

背景

在一个平行宇宙中，FairPlay 是负责在比赛期间监控球队和球员的部门。

多年来，FairPlay 观察到某些比赛在出现以下情况时更容易变得混乱：

• 犯规，
• 大量黄牌，
• 争议性决定和丑闻。

为了尽可能避免丑闻，FairPlay 要求你构建一个模型，根据混乱潜力对比赛进行分类。

你有过去比赛的数据，需要构建一个分类模型来预测比赛是否会变得混乱。

数据集

为你提供了两个文件：

• train.csv - 过去的比赛，带有 chaos_label 标签
• test.csv - 新比赛，无标签

每一行代表一场比赛，包含以下列：

• MatchID - 比赛的唯一标识符
• Season - 竞技赛季
• MatchWeek - 轮次
• HomeTeam - 主队
• AwayTeam - 客队
• Goals - 总进球数
• Shots - 总射门数
• Corners - 总角球数
• YellowCards - 黄牌数量
• RedCards - 红牌数量
• TeamStyles - 与比赛相关的比赛风格列表（例如：["AggressiveTackler", "HighPressure"]）
• chaos_label - 仅在 train.csv 中，
  • 1 = 混乱比赛 / 有丑闻
  • 0 = 受控比赛

最终目标：

预测 test.csv 中的比赛是否混乱（二进制值 - 0 或 1）。

任务

前两个子任务验证对数据的理解和预处理。

最后一个子任务评估分类模型的性能。

子任务 1（10 分）

计算"Chelsea"队踢过的比赛数量，包括客场和主场。

显示一个整数。

子任务 2（15 分）

从 TeamStyles 列开始，计算一个名为 StyleAggressionScore 的数值分数，定义为：

1StyleAggressionScore = (攻击性风格数量) / (总风格数量)

被认为是攻击性的风格有：

• AggressiveTackler
• RiskTaker
• HighPressure
• ChaosInducer

结果必须是 0 和 1 之间的实数。

子任务 3（75 分）

构建一个分类模型来预测比赛是混乱的（chaos_label = 1）还是受控的（chaos_label = 0）。

对于 test.csv 中的每一行，模型必须返回一个二进制预测：

• 0 → 受控比赛
• 1 → 混乱比赛

模型可以使用数据集中任何可用的特征，包括在前面子任务中构建的人工特征。

评估

对于子任务 3，使用宏平均 F1 分数进行评估。

宏平均 F1 分数计算如下：

• 分别计算每个类别（0 和 1）的 F1 分数
• 对两个值进行算术平均

这个指标平等对待两个类别，并惩罚只能正确预测多数类的模型。

评估阈值：

• 宏平均 F1 ≥ 0.95 → 75 分
• 宏平均 F1 ≤ 0.80 → 0 分

中间值按比例给分。

提交文件格式

submission.csv 文件必须包含第一个子任务的一行，以及测试中每一行对应其他 2 个子任务的 2 行。

结构：

• subtaskID,datapointID,answer

其中：

• subtaskID - 1、2 或 3
• datapointID - id 值（或第一个子任务为 1）
• answer - 取决于任务：
  • 子任务 1：比赛数量（整数）
  • 子任务 2：描述的分数（保留 2 位小数）
  • 子任务 3：二进制预测（0/1）

id = 25758 的示例：

数据集来源：https://www.kaggle.com/datasets/ajaxianazarenka/premier-league?select=PremierLeague.csv