مسابقه حضوری ۳ آذر حذف شده و این مسابقه تعیینکنندهی رتبه و جایزهی شما است. اطلاعات بیشتر را میتوانید در اینجا کسب کنید.
لینکهای مفید برای شرکت در مسابقه:
در طول مسابقه، میتوانید سؤالات خود را از قسمت «سؤال بپرسید» مطرح کنید.
وبسایت کگل خانه دوم دانشمندان داده است. در این وبسایت میتوان انواع مختلفی از مجموعههای داده را پیدا کرد. از حوزه متن گرفته تا گراف، افراد در سراسر دنیا، دادههای خود را با دیگران به اشتراک میگذارند.
به عنوان تحلیلگر یا دانشمند داده و حتی مهندس یادگیری ماشین، شاید بارها و بارها پیش آمده است که برای تمرین شخصی یا پروژههای دانشگاهی و صنعتی در وبسایت کگل ساعتها مشغول بررسی مجموعه دادههای موجود باشید، تا بتوانید بهترین مجموعه داده مناسب نیازتان را پیدا کنید!
اگر میتوانستیم با استفاده از یادگیری ماشین و هوش مصنوعی، مجموعه دادههایی که مناسبتر هستند را پیدا کنیم، در وقتمان بسیار صرفهجویی میشد.
حال در این مسئله قصد داریم با استفاده از دادهای که از سایت کگل استخراج شده است، به پیشبینی معیار استفادهپذیری (usability score) مجموعههای داده بپردازیم!
مجموعه داده سوال را میتوانید از این لینک دانلود کنید. |
---|
هنگامی که این فایل را از حالت فشرده خارج کنید، فایلهای آموزش (train.csv
) و آزمایش (test.csv
) در اختیار شما خواهند بود. فایل آموزش، اطلاعات ۸۰۰۰ مجموعه داده را در ۹ ستون در خود جا داده است.
جزییات فایل آموزش، در جدول زیر آمدهاست:
نام ستون | توضیحات ستون |
---|---|
dataset url | لینک به مجموعه داده |
title | عنوان مجموعه داده |
dataset author | شخصی که مجموعه داده را در کگل قرار داده است |
dataset created | زمانی که مجموعه داده در کگل بارگذاری شده است |
file type, no. of files and file size | فرمت، تعداد و حجم مجموعه داده |
documentation remarks | توضیحاتی درباره کیفیت مستندات مجموعه داده |
votes | تعداد رایهای مثبتی که توسط کاربران سایت به مجموعه داده شده است |
medal | مدالی که مجموعه داده تصاحب کرده است. اگر این ستون خالی باشد، به معنی این است که مجموعه داده مدالی برنده نشده است |
usability score | معیار استفادهپذیری برای هر مجموعه داده |
ستون dataset created
با عبارتهایی نظیر 13 days ago یا an hour ago پر شده است. مبدا زمانی برای تبدیل این ستون به فرمت تاریخ را معادل 00:00:00 20-10-2022
در نظر بگیرید. پس در سطری که ستون dataset created
برابر 16 days ago باشد، در حقیقت تاریخ بارگذاری مجموعه داده در کگل، برابر 00:00:00 04-10-2022
بوده است.
توجه داشته باشید که فایل آزمایش دارای ستون usability score
نیست.
با استفاده از مجموعه داده آموزش، یک مُدل برای پیشبینی معیار استفادهپذیری مجموعه دادههای وبسایت کگل آموزش دهید؛ بدین صورت، در آینده برای پیدا کردن مجموعه دادههای مناسب، میتوانید از آن استفاده کنید و در وقت خود صرفهجویی نمایید 😎
در مجموعه داده آموزش و آزمایش، برخی ستونها مقدار null
یا nan
دارند. مدیریت این موضوع، بخشی از چالش مسئله است!
منتها توجه داشته باشید هیچ سطری از مجموعه داده آزمایش نباید حذف شود. زیرا سامانه داوری انتظار دارد به ازای تمامی سطرهای مجموعه آزمایشی که در اختیارتان قرار گرفته است، پیشبینی انجام دهید.
برای ارزیابی مُدل شما از معیار Root Mean Square Error
یا به اختصار RMSE
به شرح زیر استفاده میشود:
در فرمول بالا، مقدار واقعی usability score
برای سطر است و نیز مقدار پیشبینی شده مُدل شما برای آن usability score
است. همچنین تعداد نمونههای مجموعه داده را از شماره ۱ تا در نظر بگیرید. در نهایت، امتیاز شما از این مرحله بر اساس فرمول زیر محاسبه میگردد:
یک تابع تصادفی یا تابعی که همیشه یک امتیاز ثابت را پیش بینی میکند، حداقل RMSE
برابر با ۱.۷۱ برای مجموعه داده این سوال دارد. پس، مدلهایی که RMSE
آنها ۱.۷۱ یا بزرگتر از آن باشد، به عنوان مدل مناسب این مسئله، قابل قبول نیستند و هرمدلی که چنین عملکردی را روی مجموعه داده آزمایش داشتهباشد، امتیازی از این سوال کسب نمیکند.
لطفا در هنگام کار با این دادگان، به نکات زیر توجه داشته باشید:
RMSE
مدل شما، تا سه رقم اعشار محاسبه (رُند) و در فرمول امتیازدهی بالا، قرار داده میشود.score
شما، منفی شود. از این سوال حداقل صفر امتیاز میگیرید. 😜داوری این سوال قبل از پایان مسابقه، تنها بر اساس ۳۰ درصد از مجموعه داده آزمایش (test ) خواهد بود. پس از اتمام مسابقه، برای بهروزرسانی نهایی جدول امتیازات، از ۱۰۰ درصد مجموعه داده آزمایش استفاده خواهد شد؛ این کار برای جلوگیری از بیشبرازش (overfit ) روی مجموعه داده آزمایش انجام میشود. |
---|
پیشبینیهای مدل خود بر روی دادگان آزمایش (test.csv
) را در فایلی با نام output.csv
قرار دهید. این فایل باید دارای یک ستون با نام usability_score
(به زیرخط یا underline در این کلمه توجه کنید) باشد که ردیف iام آن، پیشبینی شما برای سطر iام مجموعه داده آزمایش باشد (دقت کنید که این ستون باید حتما دارای header
باشد).
بعد از آمادهسازی فایل output.csv
، آن را برای ما بارگذاری کنید.
output.csv
(فقط سه خط اول به همراه نام ستون)🔗حتما فایل output.csv
باید دارای ۵۰۸ سطر (بدون در نظر گرفتن header
) و یک ستون باشد.
همچنین نام ستون بایستی بدون space
در قبل و بعد از نام آن، باشد. در غیر این صورت، سیستم داوری نمرهای به شما نخواهد داد.
پیشبینیهای شما از usability_score
ها، میتوانند به صورت عدد اعشاری نیز ارسال بشوند.
فراموش نکنید که قبل از پایان زمان مسابقه، بایستی تمامی کدهای این مسابقه را از قسمت بارگذاری کُد برای ما ارسال کنید. در غیر این صورت، شما از این مسابقه، امتیازی کسب نمی کنید.
توجه داشته باشید که اگر از jupter notebook
استفاده می کنید بایستی همانند توضیحات قسمت بارگذاری کُد، خروجی .py
را دریافت و برای ارسال در نظر بگیرید. ارسال فایلهای jupyter
همانند .ipynb
مورد قبول واقع نخواهند شد.