EDA (incl. KNN) & CatBoost & Optuna for giving the most accurate scores for the object success prediction task.

Repo for VK Internship Data Science task.

.zip archive included.

Instruction:

1. Install requirements.txt via pip install -r requirements.txt (no junk :))
2. Launch generate_submission.py
3. Get final submission.csv (it has already been generated in the folder output for fast reference).

Other files description:

• classifier.cbm - Trained CatBoost model (regressor, not classifier)
• do_eda.py - Script used in generate_submission.py for given datasets preparation
• datasets - Folder containing datasets
• cols_to-drop.pkl - Columns to-be-dropped causing multicollinearity (dict).

Инструкция:

1. Установите requirements.txt через pip install -r requirements.txt
2. Запустите generate_submission.py
3. Получите окончательный submission.csv (он уже сгенерирован в папке output для быстрого референса).

Описание других файлов:

• classifier.cbm - Обученный регрессор CatBoost
• do_eda.py - скрипт, используемый в generate_submission.py для подготовки датасетов и фичей
• datasets - Папка, содержащая наборы данных
• cols_to-drop.pkl - Столбцы, подлежащие удалению, вызывающие мультиколлинеарность и по факту не дающие полезной информации.