Датасет для определения склонности к девиантному поведению на основе данных социальных сетей

Описание задачи

Целью является предсказание склонности пользователя к девиантному поведению на основе данных из социальных сетей. Для этого используется целевая колонка Class:

• 1 – пользователь склонен к девиантному поведению,
• 0 – пользователь не склонен к девиантному поведению.

Описание данных

Датасет разделен на тренировочный и тестовый наборы:

• Тренировочный набор: содержит 2,085 строк.
• Тестовый набор: содержит 111 строк.

Колонки датасета представляют различные атрибуты, связанные с активностью и данными пользователей в социальных сетях, включая: Вот описание всех колонок:

1. Gender – Пол пользователя (например, мужской или женский).
2. Date of birth – Дата рождения пользователя в стандартном формате (например, 1999-03-04), после конвертации из числового формата.
3. School type – Тип школы, в которой учился пользователь (например, средняя школа, гимназия и т. д.).
4. Occupation – Занятость пользователя (например, работа, учеба или другое).
5. Country – Страна проживания пользователя.
6. City – Город проживания пользователя.
7. Status – Личный статус, описанный пользователем в социальных сетях (например, цитаты, текущее настроение и т. д.).
8. Social status – Социальный статус, описанный пользователем (например, семейное положение).
9. Political views – Политические взгляды пользователя.
10. Languages – Языки, которыми владеет пользователь.
11. Religion – Религиозные убеждения пользователя.
12. Inspiration – Источники вдохновения пользователя.
13. What matters in people – Качества, которые пользователь ценит в людях (например, честность, интеллект).
14. What matters in life – Важные аспекты жизни для пользователя (например, карьера, семья, здоровье).
15. Smoking – Отношение пользователя к курению.
16. Alcohol – Отношение пользователя к употреблению алкоголя.
17. Avatar – Ссылка на аватар пользователя или информация о наличии фото.
18. Additional – Дополнительная информация, представленная пользователем.
19. Class – Целевая метка: 1 (склонен к девиантному поведению) или 0 (не склонен).
20. School type.1 – Повторное указание типа школы, возможно, для другой учебной заведения.
21. Occupation.1 – Альтернативная или дополнительная информация о занятости пользователя.
22. Status.1 – Альтернативный личный статус.
23. Relationships – Семейное положение или отношения пользователя.
24. Languages.1 – Альтернативный список языков пользователя.
25. Religion.1 – Альтернативные религиозные убеждения пользователя.
26. What matters in people.1 – Дополнительные качества, которые пользователь ценит в людях.
27. What matters in life.1 – Дополнительные важные аспекты жизни пользователя.

Целевой столбец Class является бинарной меткой, обозначающей предсказание склонности к девиантному поведению.

Метрики для оценки

Для оценки модели предлагается использовать следующие метрики:

• F1 Score – позволяет учитывать как полноту, так и точность, что особенно полезно для несбалансированных данных.
• Accuracy – доля верных предсказаний, полезна при сбалансированной выборке, но требует дополнительной оценки для несбалансированных данных.

Возможные подходы и идеи для улучшения модели

1. Построение ансамбля моделей: Создание ансамбля из нескольких моделей на разных подвыборках данных может помочь улучшить точность за счет объединения прогнозов.
2. Аугментация данных: Дополнительные данные можно получить, используя данные социальной сети VK, чтобы расширить обучающую выборку и учесть различные социальные контексты.
3. Анализ сентиментов: Для текстовых данных, например статусов, можно использовать анализ сентимента. Это позволит определить эмоциональную окраску публикаций пользователя, что может быть связано с девиантными наклонностями.

Возможные улучшения данных

• Обогащение текстовых полей: Применение дополнительных методов предобработки текста, включая извлечение тональности, основных тем и ключевых слов.
• Инженерия признаков: Генерация новых признаков на основе существующих (например, социального статуса и частоты публикаций).