{ "fetched_at": "2026-10-20T10:50:08Z", "source_url": "https://www.kaggle.com/competitions/competicao-curso-verao-inpe-2020/data", "pages": [ { "name": "rules", "content": "Boa competição e diverta-se 🎉 ", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "data-description", "content": "# Descrição\n\nOs dados são dividos em duas partes:\n\n- `train.csv`\n- `test.csv`\n\n\n## Atributos:\n\n- **id:** Identificação única da linha (não use este atributo para treinar seu modelo)\n- **class:** 's' ('Sugi' floresta), 'h' ('Hinoki' floresta), 'd' ('Mixed deciduous' floresta), 'o' ('Other' não floresta) \n- **b1:** Banda do verde corresponde ao mês de setembro de 2010\n- **b2:** Banda do vermelho corresponde ao mês de setembro de 2011\n- **b3:** Banda do infravermelho próximo corresponde ao mês de setembro de 2011\n- **b4:** Banda do verde corresponde ao mês de Março de 2011\n- **b5:** Banda do vermelho corresponde ao mês de Março de 2011\n- **b6:** Banda do infravermelho próximo corresponde ao mês de Março de 2011\n- **b7:** Banda do verde corresponde ao mês de Maio de 2011\n- **b8:** Banda do vermelho corresponde ao mês de Maio de 2011\n- **b9:** Banda do infravermelho próximo corresponde ao mês de Maio de 2011\n\n## O que fazer com os dados?\n\nO conjunto de treinamento `train.csv` deve ser usado para construir os modelos de aprendizagem de máquina. Para o conjunto de treinamento, fornecemos o resultado (também conhecido como a \"verdade em terra\") para cada classe. O seu modelo deverá fazer a identificação de tipos de árvores.\n\nO conjunto `test.csv` deve ser usado para verificar a capacidade de generalização do modelo criado. Com base nos resultados obtidos através deste modelo, você deverá submeter seus resultados.\n", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Evaluation", "content": "

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:

\r\n
\r\n

The evaluation metric for this competition is Mean F1-Score. 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:

\r\n

\\[ F1 = 2\\frac{p \\cdot r}{p+r}\\ \\ \\mathrm{where}\\ \\ p = \\frac{tp}{tp+fp},\\ \\ r = \\frac{tp}{tp+fn} \\]

\r\n

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.

\r\n

Submission Format

\r\n

For every author in the dataset, 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).

\r\n

The file should contain a header and have the following format:

\r\n
AuthorId,DuplicateAuthorIds
1,1
8,8
9,9 10
10,10 9
etc.
", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false } ] }