{
  "fetched_at": "2026-10-24T09:54:45Z",
  "source_url": "https://www.kaggle.com/competitions/engiepython/data",
  "pages": [
    {
      "name": "rules",
      "content": "\r\n\t<!-- Begin Base Rules -->\r\n    <h3>One account per participant</h3>\r\n    <p>You cannot sign up to Kaggle from multiple accounts and therefore you cannot submit from multiple accounts.</p>\r\n    <h3>No private sharing outside teams</h3>\r\n    <p>\r\n        Privately sharing code or data outside of teams is not permitted.\r\n        It's okay to share code if made available to all participants on the forums.\r\n    </p>\r\n    <h3>Team Mergers</h3>\r\n    <p>Team mergers are not allowed in this competition.</p>\r\n\r\n    <h3>Team Limits</h3>\r\n    <p>There is no maximum team size.</p>\r\n    <h3>Submission Limits</h3>\r\n    <p>You may submit a maximum of 2 entries per day.</p>\r\n    <p>You may select up to 2 final submissions for judging.</p>\r\n    <h3>Competition Timeline</h3>\r\n    <p>Start Date: <strong>TBA</strong></p>\r\n    <p>Merger Deadline: <strong>None</strong></p>\r\n    <p>Entry Deadline: <strong>None</strong></p>\r\n    <p>End Date: <strong>2/1/2014 12:00 AM UTC</strong></p>\r\n\t<!-- End Base Rules -->\r\n<p>The rules page is a bit special: it will auto-update the text based on the parameters of the competition. The rules you need to add here are any additional rules relating to dataset usage. You may also put grading information here.</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<p>Lo scopo di questo contest è predire il consumo di energia elettrica di alcune abitazioni.\nIn questa pagina trovate tutti i dati che vi servono per partecipare al contest.  </p>\n<p>I dati sono divisi in train e test.  I dati di train consistono in una tabella con 7 colonne. I dati di test invece hanno solo 6 colonne. il vostro obbiettivo è predirre con la maggiore precisione possibile la colonna mancante nei dati di test.  </p>\n<h2>File descriptions</h2>\n<ul>\n<li><strong>train.csv</strong> - Dati di train.  Usate questi dati per creare il vostro modello. Tutti i dati sono relativi al 2016 </li>\n<li><strong>test.csv</strong> - Dati di test.  Usate questi dati per testare il vostro modello.  Tutti i dati sono relativi al 2017 </li>\n<li><strong>sampleSubmission.csv</strong> - L'esempio di output  da produrre</li>\n\n</ul>\n<h2>Data fields</h2>\n<ul>\n<li><strong>wattConsumption</strong> - Watt medi consumati nell'ultima ora </li>\n<li><strong>datetime</strong> - ora della misurazione</li>\n<li><strong>T_HR_AVG</strong> - temperatura media esterna nell'ultima ora</li>\n<li><strong>SOLARAD-W/m^2</strong> - irradiazione solare media dell'ultima ora. Espressa in W/m^2</li>\n<li><strong>HouseId</strong> - id identificativo dell'edificio</li>\n<li><strong>solarPanelMq</strong> - metri quadri di pannelli solari installati</li>\n<li><strong>id</strong> - id della misurazione, non ha alcun significato fisico</li>\n</ul>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Benvenuti al primo contest Engie python user.\n\nLo scopo di questo contest è predire il consumo orario di alcune abitazioni basandosi su temperatura, irraggiamento solare ed alcune caratteristiche degli edifici.\n\nPer iniziare scaricate i dati nella sezione data e provate lo starting code che trovate sul progetto github del corso:\n\n[Starting code][1]\n\nLo script genera il file mySubmission.csv  .   Provate a fare l'upload del file nella sezione Submit Prediction e vedrete il vostro primo punteggio in questo contest.\n\nBuon divertimento!\n\n\n\n  [1]: https://github.com/RiccardoNizzolo/corso-python",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "# Root Mean Squared Error (RMSE)\n\nThe square root of the mean/average of the square of all of the error.\n\nThe use of RMSE is very common and it makes an excellent general purpose error metric for numerical predictions.\n\nCompared to the similar Mean Absolute Error, RMSE amplifies and severely punishes large errors.\n\n$$\n\\textrm{RMSE} = \\sqrt{\\frac{1}{n} \\sum_{i=1}^{n} (y_i - \\hat{y}_i)^2}\n$$\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}