大赛简介
此数据集来自克利夫兰医学研究中心的心脏病患者数据,可用于建立心脏病诊断模型。该数据集包括270个样本,每条数据涵盖了年龄,性别,血浆类固醇含量以及是否患有心脏病等14个属性
参赛须知
参赛时间: 本次竞赛无时间限制,长期有效开放
参赛方式
- 方式一:
- 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
- 方式二:
- 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分,在本地进行代码调试的教程请查看[文档中心]
参赛选手说明
- 参赛人员身份信息需保证真实、有效,大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生,算法工程师和所有AI爱好者参与
- 本次竞赛报名形式:以个人形式本地提交作品线上审核,并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前,团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群,一起学习进步!重要通知也将在群内发布,不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人,提交相似结果文件,取消双方所有人员参赛资格
- 多开小号报名、提交,一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中,通过脚本获取比赛数据,成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练,成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型,使用非官方验证预训练模型,成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核!!情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为,奖金一律不发放。之前所获得奖金金额官方有权收回,情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
参与奖(总奖金30%) |
所有人 |
不同得分区间获得相应的竞赛奖金 |
突破奖(总奖金20%) |
所有人 |
更新排行榜得分,获取相应竞赛奖金 |
排名奖(总奖金50%) |
第一周/月前3名(冠、亚、季军) |
项目上线第一周、第一个月; Time_P(周) = 0.5,Time_P(月) = 0.5;K1=0.5,K2=0.3,K3=0.2; |
不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练,获取奖金池奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦!
数据来源
HeartDisease
数据描述
由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据,可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
age |
int |
大于等于 29, 小于等于 77 |
年龄 |
sex |
int |
大于等于 0, 小于等于 1 |
性别 |
cp |
int |
大于等于 1, 小于等于 4 |
胸痛类型 |
trestbps |
float |
不为空 |
静息血压 |
chol |
float |
大于等于 126, 小于等于 564 |
血浆类固醇含量 |
fbs |
int |
大于等于 0, 小于等于 1 |
空腹血糖>120mg/dl |
restecg |
int |
大于等于 0, 小于等于 2 |
静息心电图结果 |
thalach |
float |
大于等于 71, 小于等于 202 |
最高心率 |
exang |
int |
大于等于 0, 小于等于 1 |
运动型心绞痛 |
oldpeak |
float |
大于等于 0, 小于等于 6.2 |
运动引起的ST下降 |
slope |
int |
大于等于 1, 小于等于 3 |
最大运动量时心电图ST的斜率 |
ca |
int |
大于等于 0, 小于等于 3 |
使用荧光染色法测定的主血管数 |
thal |
int |
大于等于 3, 小于等于 7 |
THAL |
label |
int |
大于等于 0, 小于等于 1 |
是否患有心脏病 |
参考文献:
[1]https://www.ajconline.org/article/0002-9149(89)90524-9/abstract
评审标准
算法输入输出格式
输入字段:
age,
sex,
cp,
trestbps,
chol,
fbs,
restecg,
thalach,
exang,
oldpeak,
slope,
ca,
thal,
输出字段:
label,
评审指标说明
- 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
- True,表示预测正确的样本数数量
- Total Number of Samples,表示实际总样本数数量
- 计算公式如下:
比赛常见问题说明
Q:比赛使用什么框架?
- 比赛支持常用的机器学习和深度学习框架,比如TensorFlow,PyTorch,Keras,Scikit-learn、MXNet等。
Q:怎么参加比赛,需不需要提交CSV文件?
- FlyAI竞赛平台提供免费云端GPU资源,报名后可以使用自己熟练的框架,修改main.py中的网络结构和processor.py中的数据处理;仅部分赛题支持CSV方式提交,请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的?
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法,调用模型得出评分。
超过 90分 的成绩会在48小时内更新到排行榜,不要着急哦!
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为100.00。
batch数据为256,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为94.44。
batch数据为128,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为90.74。
4
batch数据为250,循环次数为250次,通过在线上环境完成训练,模型最优精度评分为90.74。
5
batch数据为216,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为85.19。
6
batch数据为512,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为85.19。
7
batch数据为270,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为85.19。
8
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为85.19。
9
batch数据为216,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为85.19。
10
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为83.33。
11
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为83.33。
12
batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为83.33。
13
batch数据为32,循环次数为550次,通过在线上环境完成训练,模型最优精度评分为83.33。
14
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为83.33。
15
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为83.33。
16
batch数据为128,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为81.48。
17
batch数据为128,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为81.48。
18
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为81.48。
19
batch数据为256,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为81.48。
20
batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为81.48。
21
batch数据为300,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为81.48。
22
batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为81.48。
23
batch数据为500,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为81.48。
24
batch数据为500,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为81.48。
25
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为81.48。
26
batch数据为32,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为79.63。
27
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为79.63。
28
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为79.63。
29
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为79.63。
30
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为79.63。
31
batch数据为128,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为79.63。
32
batch数据为1000,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为79.63。
33
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为79.63。
34
batch数据为32,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为79.63。
35
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为79.63。
36
batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为79.63。
37
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为79.63。
38
batch数据为256,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为77.78。
39
batch数据为64,循环次数为2400次,通过在线上环境完成训练,模型最优精度评分为77.78。
40
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为77.78。
sklearn
AdaBoostClassifier
2019-04-30 21:41:49
41
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为77.78。
42
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为77.78。
43
batch数据为100,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为77.78。
44
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为77.78。
45
batch数据为256,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为75.93。
46
batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为75.93。
47
batch数据为1024,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为75.93。
48
batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为75.93。
49
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为74.07。
50
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为74.07。
51
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为74.07。
52
batch数据为50,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为74.07。
53
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为72.22。
54
batch数据为16,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为72.22。
55
batch数据为32,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为70.37。
56
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为70.37。
57
batch数据为256,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为70.37。
58
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为70.37。
59
batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为68.52。
60
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为68.52。
61
batch数据为200,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为68.52。
62
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为68.52。
63
batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为68.52。
64
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为66.67。
65
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为66.67。
66
batch数据为500,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为66.67。
67
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为66.67。
68
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为66.67。
69
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为66.67。
70
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为66.67。
71
batch数据为256,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为66.67。
72
batch数据为128,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为66.67。
73
batch数据为32,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为66.67。
74
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为66.67。
75
batch数据为256,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为66.67。
76
batch数据为8,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为66.67。
77
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为66.67。
78
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为64.81。
79
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为59.26。
80
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为59.26。
81
batch数据为128,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为59.26。
82
batch数据为10,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为59.26。
83
batch数据为128,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为59.26。
scikit-learn
DecisionTree
2019-08-04 11:47:54
84
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为59.26。
85
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为59.26。
86
batch数据为200,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为59.26。
87
batch数据为27,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为59.26。
88
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为59.26。
89
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为59.26。
90
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为12.96。
2019-05-25
- gboy
-
模型得分为100,本次获得排名奖奖金为62.5元
2019-05-25 15:00:02
- hhy
-
模型得分为94.44,本次获得排名奖奖金为37.5元
2019-05-25 15:00:02
2019-05-06
- gboy
-
模型得分为100,本次获得排名奖奖金为37.5元
2019-05-06 15:00:02
- hhy
-
模型得分为94.44,本次获得排名奖奖金为25元
2019-05-06 15:00:02
2019-05-05
- hhy
-
模型得分为94.44,本次获得实时奖励奖金为11.25元
2019-05-05 10:25:08
2019-05-04
- gboy
-
模型得分为100,本次获得实时奖励奖金为18.75元
2019-05-04 11:07:35
- hhy
-
模型得分为90.74,本次获得实时奖励奖金为1.5元
2019-05-04 11:07:30