{ "fetched_at": "2026-10-24T17:45:19Z", "source_url": "https://www.kaggle.com/competitions/eel891-2019-1-t1/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": "

Trata-se de um conjunto de dados contendo informações a respeito de 53940 diamantes comercializados no mercado. São fornecidos um conjunto de treinamento, um conjunto de teste e um exemplo de arquivo de submissão de resposta, todos em formato CSV.

\n

No conjunto de treinamento, composto por 33940 diamantes, são fornecidas 9 características de cada diamante, tais como dimensões geométricas, peso, grau de pureza, cor e qualidade do corte, acompanhadas do preço de venda. No conjunto de teste, composto pelos 20000 diamantes restantes, são fornecidas somente as características do diamante, cabendo ao competidor estimar o preço de venda.

\n

Arquivos Fornecidos

\n\n

Descrição dos Campos

\n", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Description", "content": "Este é o primeiro trabalho de avaliação da disciplina EEL891 (Introdução ao Aprendizado de Máquina) para a turma do segundo semestre de 2018.\n\nNeste trabalho você utilizará técnicas de regressão multivariável para estimar o preço de um diamante a partir de características tais como dimensões geométricas, peso, cor, grau de pureza e qualidade do corte. x", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Instruções", "content": "

\nInstruções\n

\n \n - Baixe os arquivos de dados do projeto, disponíveis na aba \n\"Data\", onde você encontrará também a descrição dos arquivos e o significado de todos os campos neles contidos..\n - Implemente o pré-processamento adequado (tratamento de atributos categóricos, utilização de fatores de escala, etc.).\n - Visualize, analise e selecione os atributos com maior potencial\n preditivo.\n - Escolha os algoritmos de regressão de sua preferência e construa um\n script Python para testá-los.\n - Verifique o desempenho dos algoritmos de regressão escolhidos por\n meio de validação cruzada, ou outra técnica de validação de sua\n preferência, usando o conjunto de treinamento fornecido.\n - Ajuste os hiperparâmetros de cada algoritmo utilizado, de modo a\n reduzir o erro obtido na validação cruzada.\n - Quando estiver satisfeito com o ajuste, treine o modelo de regressão escolhido\n usando o conjunto de treinamento completo, obtenha a previsão do\n modelo para o conjunto de teste fornecido e submeta ao Kaggle\n (que detém o gabarito oculto do conjunto de teste), para verificar o\n desempenho real do seu modelo de regressão.\n - Revise e repita os passos anteriores quantas vezes achar\n necessário, até ficar satisfeito com o resultado.\n - Escreva um relatório descrevendo todos os passos do seu trabalho (pré-processamento dos dados, seleção dos atributos, algoritmos de regressão experimentados e seus respectivos ajustes de hiperparâmetros, técnicas de validação utilizadas, resultados intermediários alcançados, etc.).\n - Envie um e-mail para o professor ( heraldo@ufrj.br ) contendo:\n- o seu relatório \n- o seu id no Kaggle \n- o código-fonte utilizado (para possibilitar a reprodução dos resultados relatados)", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Avaliação", "content": "

\nMétrica de Erro Utilizada\n

\n\n

\nAs respostas submetidas ao Kaggle serão avaliadas e comparadas em termos da raiz quadrada do erro percentual quadrático médio, métrica conhecida como RMSPE (*Root Mean Squared Percentage Error*), dada pela fórmula:\n

\n \n

\n\\[ RMSPE = \\sqrt{\\frac{1}{n} \\sum_{i=1}^n \\left(\\frac{\\hat{y_i} - y_i}{y_i}\\right)^2 } \\]\n

\n \n

\nComposição da Nota do Trabalho\n

\n\n

\nO professor atribuirá ao trabalho de cada aluno uma nota na faixa de 0 a 10.\n

\n\n

\nA nota do trabalho terá a seguinte composição:\n

\n\n- Código fonte: até 5 pontos\n- Relatório: até 2 pontos\n- Desempenho: até 3 pontos\n\n

\nCritério de Pontuação no Quesito Desempenho\n

\n\nO desempenho do modelo de regressão construído pelo aluno será pontuado na faixa de 0 a 3 pontos, de acordo com a posição alcançada no *ranking* da competição, da seguinte forma:\n\n

\n\\[ desempenho = 3 \\cdot \\frac{n-p+1}{n} \\]\n

\n\n

\n onde:\n

\n\n- *n* é o número de alunos que participaram da competição\n- *p* é a posição obtida pelo aluno no *ranking* da competição\n\n

\nou seja, o primeiro colocado no *ranking* ganhará a pontuação máxima (3 pontos) e as posições seguintes terão pontuações decrescentes até o último colocado, que receberá pontuação 3/*n*.\n

", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Prazo", "content": "

\nA competição será encerrada no dia 12/07/2019 às 20:59:59 (horário de Brasília).\n

\n

\nA data limite para a entrega do trabalho (código-fonte + relatório) será 15/07/2019.\n

", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false } ] }