Ты — data scientist в музыкальной компании! Твоя задача — понять, станут ли новые песни хитами, ещё до их релиза. У тебя есть реальный датасет из Spotify с характеристиками тысяч песен.
Сможешь ли ты создать модель, которая предскажет, попадут ли треки в топ?
danceability — танцевальность (0.0-1.0) — насколько под это можно двигаться
energy — энергичность (0.0-1.0) — насколько трек агрессивный и быстрый
loudness — громкость (в децибелах, обычно от -60 до 0)
speechiness — разговорность (0.0-1.0) — сколько в треке слов (рэп будет высоким)
acousticness — акустичность (0.0-1.0) — есть ли живые инструменты
instrumentalness — инструментальность (0.0-1.0) — есть ли вокал (чем выше, тем меньше слов)
liveness — живость (0.0-1.0) — записано ли вживую с публикой
valence — позитивность (0.0-1.0) — насколько трек весёлый (грустный vs радостный)
tempo — темп (удары в минуту, обычно 50-200)
duration_ms — длительность в миллисекундах
target — хит (1) или нет (0)
Загружает датасет из файла CSV
Готовит данные (выбирает нужные признаки и делит на train/test)
Обучает модель логистической регрессии
Запрашивает у пользователя:
Количество треков для проверки
Все характеристики каждого трека (10 параметров)
Предсказывает для каждого введённого трека:
Станет ли он хитом (yes/no)
Вероятность успеха в процентах
3 0.90 0.88 -3.5 0.06 0.08 0.0 0.20 0.95 25 200000 0.45 0.40 -10.0 0.04 0.75 0.80 0.40 0.55 110 320000 0.60 0.95 -2.0 0.08 0.05 0.0 0.25 0.70 140 230000
YES 77.44 NO 0.32 YES 70.93
10000 ms 256 Mb Правила оформления программ и список ошибок при автоматической проверке задач