{
  "fetched_at": "2026-10-19T09:17:52Z",
  "source_url": "https://www.kaggle.com/competitions/amazonmt61620192/data",
  "pages": [
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<p>Amazon.com ha colectado varios atributos medidos durante la visita de todos los usuarios a la pagina web. La data esta compuesta de compradores y no compradores, con datos como tiempo total revisando la pagina web (en segundos), dinero usado en la visita, y otros 55 atributos anonimizados para proteger la identidad de sus clientes.</p>\n\n<p>En este trabajo se te ha contratado para identificar a los potenciales compradores basados en esos atributos.</p>\n\n<h2>File descriptions</h2>\n<p>La data esta compuesta por:</p>\n\n<ul>\n<li><strong>Amazon_train.csv</strong> - the training set</li>\n<li><strong>Amazon_test_atrib.csv</strong> - the test set</li>\n<li><strong>sampleSubmission.csv</strong> - a sample submission file in the correct format</li>\n</ul>\n<h2>Data fields</h2>\n<ul>\n<li><strong>Segundos</strong> - Tiempo en segundos revisando la pagina</li>\n<li><strong>Atributos 1 - 55</strong> - Caracteristicas anonimizadas para proteger identidad de clientes</li>\n<li><strong>Soles</strong> - cantidad de dinero empleado en la compra</li>\n<li><strong>Clase</strong> - 0 = no compro nada y 1 = compro un articulo</li>\n</ul> ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Amazon.com utiliza cada vez más la tecnología de ML para mejorar las experiencias de compra en línea de los clientes.\n\nAmazon.com apunta a utilizar la tecnología como un puente para ayudarlo a crear experiencias ininterrumpidas entre las actividades de compras en línea del cliente que lo hacen lo más conveniente posible para que encuentren productos.\n\nML puede convertir los datos recopilados de los clientes en una variedad de información útil que se puede utilizar para mejorar la personalización al proporcionar recomendaciones de productos relevantes. El resultado es que los clientes pueden pasar por el proceso de compra más rápidamente, cuando están comprando en línea.\n\nPor eso es muy importante para Amazon.com identificar automaticamente potencial que cliente que visita su pagina web va hacer alguna compra y asi poder brindarle un mejor servicio. Para esto, Amazon.com ha colectado varios atributos medidos durante la visita de todos los usuarios a la pagina web. La data esta compuesta de compradores y no compradores, con datos como tiempo total revisando la pagina web (en segundos), dinero usado en la visita, y otros 55 atributos anonimizados para proteger la identidad de sus clientes.\n\nEn este trabajo se te ha contratado para identificar a los potenciales compradores basados en esos atributos.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "<p>The evaluation pages describes how submissions will be scored and how students should format their submissions. You don't need a sub-title at the top (the page title appears above). For an example of a high quality evaluation page, see the 2013 KDD Cup page, which we have copied here:</p>\r\n<hr />\r\n<p>The evaluation metric for this competition is <a href=\"https://www.kaggle.com/wiki/MeanFScore\"> Mean F1-Score</a>. The F1 score, commonly used in information retrieval, measures accuracy using the statistics precision p and recall r. Precision is the ratio of true positives (tp) to all predicted positives (tp + fp). Recall is the ratio of true positives to all actual positives (tp + fn). The F1 score is given by:</p>\r\n<p>\\[ F1 = 2\\frac{p \\cdot r}{p+r}\\ \\ \\mathrm{where}\\ \\ p = \\frac{tp}{tp+fp},\\ \\ r = \\frac{tp}{tp+fn} \\]</p>\r\n<p>The F1 metric weights recall and precision equally, and a good retrieval algorithm will maximize both precision and recall simultaneously. Thus, moderately good performance on both will be favored over extremely good performance on one and poor performance on the other.</p>\r\n<h2>Submission Format</h2>\r\n<p><strong>For every author in the dataset</strong>, submission files should contain two columns: AuthorId and DuplicateAuthorIds. DuplicateAuthorIds should be a space-delimited list. Every AuthorId counts as his/her own duplicate, and every duplicate should be listed under each of its respective ids. For example, if you suspect author A, B, and C are the same, you should list (A,A B C), (B,B A C), (C,C A B).</p>\r\n<p>The file should contain a header and have the following format:</p>\r\n<pre>AuthorId,DuplicateAuthorIds<br />1,1<br /><span style=\"font-size: 14px; line-height: 1.4em;\">8,8<br />9,9 10<br /></span><span style=\"font-size: 14px; line-height: 1.4em;\">10,10 9<br /></span><span style=\"font-size: 14px; line-height: 1.4em;\">etc.</span></pre>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}