Заказчик: сервис Repetit.ru.
Задача. Разработать модель, которая по имеющейся информации о клиенте и заявке будет предсказывать вероятность оплаты заявки клиентом. Заказчик хочет понять, какие заявки будут оплачены, а какие нет, чтобы одни обрабатывать вручную консультантами, а другие нет. Оценка качества модели будет производиться с использованием precision и ROC-AUC.

В начале работы были заполнены пропуски и удалены дубликаты.
Для каждой заявки было посчитано среднее значение enable_auto_assign(доступен ли репетитор к работе или заблокирован) по всем подходящим по заявке учителям. Таким образом добавился признак mean_enab. Добавился признак count_teach - колличество подходящих на заявку учителей. Признак median_rat - медиана рейтингов подходящих учителей для каждой заявки. И признак mean_same_price - среднее значение по учителям равенства цен у учителя и ученика за занятие (если указанная цена за занятие у учителя и клиента равны, то берётся значение 1, если нет - 0, потом для всех подходящих учителей на заявку берётся среднее).
Если хотя бы у одного дубля заявки стоит оплаченно, то ставилось оплаченно для всех соответствующих дублей.
Признаки, неизвестные на момент подачи заявки удалялись.
Два текстовых признака были векторизованы с помощью CountVectorizer.
Самым важным признаком получился no_teachers_available.
Метрика ROC-AUC вышла равной 0.73, а precision 0 и 1 соответственно 0.86 и 0.36. Для заказчика важно иметь высокую точность 0, и не так значимо иметь хорошую точность для 1.