{
  "fetched_at": "2026-10-20T01:15:53Z",
  "source_url": "https://www.kaggle.com/competitions/competencia-ml-economistas-usta/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Los datos fuente principal de los datos es la Gran Encuesta de Hogares (GEIH) del DANE para el año 2019. Estos fueron construidos por medio del merge de distintas tablas de la encuesta ya mencionada usando el modulo de python `geihdanepy `que permite el manejo de esta misma.\n\nEl contexto de estos datos se basan en la columna principal `empleado`, la cual toma el valor de 0 para individuos que no tienen empleo y 1  para los que si, el resto de columnas hace referencia a características propias de cada individuo, de manera que nos enfrentamos a un problema de economía laboral donde buscaremos la clasificación de individuos en dos grupos (Empleados y Desempleados) sujetos a una serie de variables. \n\nPara el desarrollo de la competencia los datos fueron separados en dos grupos:\n\n*  Grupo de entrenamiento (train.csv) \n*  Grupos de Testeo (test.csv)  \n\n\n## Files\n\n*   **train.csv** - the training set\n*   **test.csv** - the test set\n\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# **Competencia ML - Clasificación Economía Laboral** 💼\n\nDentro de la economía laboral surgen problemas que podrían ser analizados con herramientas extraídas del Machine Learning. En esta competencia se exponen datos que permiten dar uso a diferentes algoritmos de clasificación con el fin de separar a individuos en dos grupos (empleados y desempleados) sujeto a una gama de variables.  \n\n## **¿Cuál es el reto?** 😵\n\nEsta competencia busca la creación de algoritmos de clasificación que logre categorizar a un grupo de individuos en empleado o desempleado, para esto se brinda un set de datos de entrenamiento `train.csv` con 15516 observaciones y 10 variables con información relevante. Usted puede realizar cualquier tipo de selección, transformación o estandarización sobre las variables. \n\nSe recomienda ser cuidadoso con el manejo de los datos tanto de entrenamiento como de testeo, puesto que estos presentan algunos errores naturales en el proceso de minado de datos (Missing values, duplicados etc.)\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "# **Evaluación Algoritmos** 🔎\n\nLa evaluación de los algoritmos creados se realizar por medio de la métrica [accuracy](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html), la cual simplemente determina el numero de observaciones clasificadas correctamente. Esta métrica se aplica a los resultados que genera la aplicación del algoritmo sobre el grupo de testeo `test.csv`.\n\n## **Formato de Subida Resultados** 📰\n\n\nPara subir los resultados y conocer el puntaje obtenido seleccione la opción de `Sumbit Predictions`, el formato de subida debe ser un archivo con formato `.csv` con dos columnas, la primera `id`, la cual corresponde a los números de identificación de los individuos, estos pueden ser extraídos del mismo archivo `test.csv`, la otra columna se debe llamar 'empleado' y corresponde a las predicciones de los grupos sobre los datos de testeo.\n\nEjemplo de formato del archivo:\n\n```\nid,empleado\n125,0\n407,1\n302,1\n```",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "# **Reglas** \n\nSe debe contar con un notebook o archivo de respaldo con los algoritmos usados antes de subir cualquier tipo de resultados. \n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}