{
  "fetched_at": "2026-10-24T17:25:08Z",
  "source_url": "https://www.kaggle.com/competitions/bcu-ratings-2020/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": "<h2>File descriptions</h2>\n\nSe han colgado 3 archivos CSV y un .txt que contiene la descripción de las variables. Los archivos CSV son los siguientes:\n\n<ul>\n<li><strong>train.csv</strong> - la muestra de train, incluye la columna TARGET, que es el valor a predecir</li>\n<li><strong>test.csv</strong> - la muestra de test, contiene los datos para los que hay que predecir la variable TARGET. El resultado de estas predicciones es el que se utilizará para evaluar el modelo en la Leaderboard</li>\n<li><strong>sampleSubmission.csv</strong> - un ejemplo de CSV que muestra el formato con el que se tienen que subir los datos para que se acepte como un resultado válido y se contabilice el resultado en la leaderboard</li>\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<h2> Objetivo</h2>\n\nEl objetivo de esta competición es poner en práctica algunos de los conceptos tratados en el curso de \"Modelización estadística\". \n\n<h2>Funcionamiento de la competición</h2>\n\nPara poder participar en la competición, se debe seguir los siguientes pasos:\n\n1.\tAceptar las normas de participación (botón azul en la parte derecha, bajo el cuadro con el título de la competición)\n\n2.\tConsultar los ejemplos que se irán colgando. Para ello, ir al apartado Notebooks y ver las notebooks públicas colgadas. El resultado de estas notebooks se utilizará como benchmark en la leaderboard\n\n3.\tEntrenar un modelo y hacer predicciones. Para ello, se puede realizar un modelo en local (instalar Python, los packages necesarios, etc.) o crear una notebook privada (recomendado, ya que será más fácil compartir los resultados e instalar los packages necesarios)\n\n4.\tSubir los resultados del modelo en forma de submission. Para ello, clickar en el botón submit predictions en la parte derecha de la pantalla, debajo del cuadro con el título de la competición\n\nPara cualquier duda, podéis colgar un post en el apartado Discussion (preferible, ya que así otros compañeros pordán consultar las dudas que tengan) o contactarme directamente por mail / chat. ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "<h2>Evaluación de la bondad del modelo</h2>\n\nLa métrica utilizada para la evaluación de la competición es el área bajo la curva ROC. El área bajo la curva ROC (a partir de ahora, se hará referencia a la métrica como AUC, Area Under roc Curve) es una métrica muy utilizada en problemas de clasificación, y da una idea de la capacidad del modelo de distinguir entre dos clases distintas. \n\nEste artículo explica en detalle en qué consiste la métrica: https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5\n\nLa métrica AUC tiene relación directa con otra métrica muy utilizada en problemas de clasificación: el GINI o Índice de Poder (son sinónimos). El cálculo del GINI a parir del AUC es el siguiente:\n\n<p>\\[ GINI = 2 · AUC - 1\\]</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}