{
  "fetched_at": "2026-10-19T22:56:57Z",
  "source_url": "https://www.kaggle.com/competitions/classification-task/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Column `target` corresponds to target variable in `train.csv`\n\n- Есть два агента, которые взаимодействуют друг с другом, в результате чего каждый агент либо получает выигрыш (yi = 1), либо нет (yi = 0). Таргет в данной задаче = (y1 == 1 & y2 == 1)\n- Для тренировочной выборки известно некое матожидание выигрыша агента, рассчитанное на основании их взаимодействия с другим агентом - т.е. насколько вероятно, что после их взаимодействия агент i получил бы выигрыш (train_expected_target_agent_1.csv и train_expected_target_agent_2.csv)\n- Возможно имеет смысл строить отдельную модель для предсказания таргета под каждого агента по отдельности, а затем просто делать конъюнкцию предсказаний моделей (реальный таргет имеет схожую зависимость). Для этого есть train_target_agent_1.csv и train_target_agent_2.csv\n\n======= Для чего это нужно =======\n\n- Можно поэкспериментировать с удалением выбросов из тренировочной выборки - н-р, если expected_target был близок к 1 у обоих агентов, а реальный таргет = 0, скорее всего, это зашумленное наблюдение, которое может негативно повлиять на качество сети.\n- Аналогично (и это даже не можно, а нужно) поэкспериментировать с удалением бесполезных признаков. У вас их по 96 на каждого агента (в сумме 192), а примеров в трейне чуть больше двух тысяч - есть несколько способов проверить, насколько важен признак для обучения, рекомендую хотя бы одним воспользоваться.\n- Last but not least - у вас таргет зависит от признаков первого агента и признаков второго агента - можно поэкспериментировать с сиамскими сетями (когда один и тот же экстрактор признаков для обоих агентов, \"полученные признаки\" обоих агентов конкатенируются, дальше обрабатывается совместно и получаем итоговый результат).\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Place for your advertisement. Binary Classification task, target metrics - **Accuracy**.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "The evaluation metric for this competition is Accuracy.\n\n## Submission Format\n\n**For every author in the dataset**, submission csv file should contain two columns: `Id` and `Category`.\n\n\nExample\n```\nId, Category\n0,1\n1,0\n2,0\n```",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "No rules just chill",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}