{
  "fetched_at": "2026-10-19T20:12:28Z",
  "source_url": "https://www.kaggle.com/competitions/finuni-2017-11/data",
  "pages": [
    {
      "name": "rules",
      "content": "<!-- Begin Base Rules -->\n<h3>Ограничения</h3>\n<ul>\n<li>Разрешатся подавать не более 10 заявок в день.</li>\n<li>Каждый участник может иметь только одну учетную запись (обязательно использовать учетную запись, ассоциированную с настоящим именем).</li>\n</ul>\n<p><span style=\"font-size: 1.5em;\">Последний срок подачи ответа</span></p>\n<ul>\n<li><span style=\"font-size: 1em;\">29.06.2017, 17.59.59 по московскому времени.</span></li>\n</ul>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<h3>Файлы</h3>\n<ul>\n<li><strong><a href=\"https://inclass.kaggle.com/c/6890/download/credit_train.csv\">сredit_train.csv</a></strong> - обучающий набор данных;</li>\n<li><strong><a href=\"https://inclass.kaggle.com/c/6890/download/credit_test.csv\">credit_test.csv</a></strong> - тестовый набор данных;</li>\n<li><strong><a href=\"https://inclass.kaggle.com/c/6890/download/credit__sample.csv\">credit__sample.csv</a></strong> - шаблон ответа.</li>\n</ul>\n<h3>Описание полей</h3>\n<ul>\n<li><code>Loan ID</code>: уникальный идентификатор кредита;</li>\n<li><code>Customer ID</code>: уникальный идентификатор клиента;</li>\n<li><code>Loan Status</code>: категориальный признак - кредит погашен (\"<code>Fully Paid</code>\") или не погашен (\"<code>Charged Off</code>\");</li>\n<li><code>Current Loan Amount</code>: размер кредита;</li>\n<li><code>Term</code>: срок кредита;</li>\n<li><code>Credit Score</code>: кредитный рейтинг - число от 0 до 800;</li>\n<li><code>Years in current job</code>: стаж на текущем месте работы;</li>\n<li><code>Home Ownership</code>: статус недвижимости - собственность (\"<code>Own</code>\"), ипотека (\"<code>Home Mortgage</code>\") или аренда (\"<code>Rent</code>\");</li>\n<li><code>Annual Income</code>: годовой доход;</li>\n<li><code>Purpose</code>: цель кредита;</li>\n<li><code>Monthly Debt</code>: размер ежемесячного платежа по текущим кредитам;</li>\n<li><code>Years of Credit History</code>: количество лет кредитной истории;</li>\n<li><code>Months since last delinquent</code>: количество месяцев с последнего нарушения условий кредита;</li>\n<li><code>Number of Open Accounts</code>: количество открытых кредитных карт;</li>\n<li><code>Number of Credit Problems</code>: количество кредитных проблем;</li>\n<li><code>Current Credit Balance</code>: суммарный текущий долг;</li>\n<li><code>Maximum Open Credit</code>: максимальный кредитный лимит из всех источников;</li>\n<li><code>Bankruptcies</code>: количество банкротств;</li>\n<li><code>Tax Liens</code>: количество нарушений налогового законодательства.</li>\n</ul>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<p>Участники соревнования строят модели кредитного скоринга. Речь идет о том, что когда клиент обращается в банк с заявлением о предоставлении кредита, банк принимает решение о выдаче кредита или об отказе в предоставлении кредита с использованием статистических моделей на основании информации о тех клиентах, которые уже брали кредит (кто-то из них выполнил свои обязательства по кредитному договору, а кто-то не выполнил). На вероятность возврата кредита может влиять много факторов, причем сложным образом, и для прогнозирования результатов по каждому отдельному случаю участникам соревнования необходимо построить модель машинного обучения, которая на основании данных из заявления о выдаче кредита предсказывает, вернет ли заемщик этот кредит.</p>\n<p>Набор данных <a href=\"https://inclass.kaggle.com/c/6890/download/credit_train.csv\">сredit_train.csv</a>, который предоставляется участникам соревнования, содержит ряд особенностей, включая пропущенные значения, дублирующиеся строки, выбросы и т. п. При построении модели машинного обучения целесообразно попробовать создать новые синтетические факторные признаки, являющиеся функциями от исходных факторов, преобразовать типы данных исходных факторов и т. п.</p>\n<p>Исходный полный набор данных о кредитах разделен на три набора:</p>\n<p>набор данных <a href=\"https://inclass.kaggle.com/c/6890/download/credit_train.csv\">сredit_train.csv</a>, предназначенный для обучения модели, включающий 100000 записей о кредитах, относительно каждого из которых известно значение признака \"<code>Loan Status</code>\" - \"<code>Fully Paid</code>\" (погашен полностью) или \"<code>Charged Off</code>\" (не погашен);<br />публичный тестовый набор данных, содержащий 5000 записей о кредитах (участникам соревнования недоступна информация о значении признака \"<code>Loan Status</code>\");<br />закрытый тестовый набор данных, содержащий 5000 записей о кредитах; вычисление (участникам соревнования недоступна информация о значении признака \"<code>Loan Status</code>\").<br />Участник соревнования должен загрузить на платформу чемпионата файл с прогнозами по 10000 кредитам, данные по которым представлены в файле <a href=\"https://inclass.kaggle.com/c/6890/download/credit_test.csv\">credit_test.csv</a>, половина из этих кредитов относится к публичному тестовому набору данных, другая половина - к закрытому тестовому набору данных.</p>\n<p>Итоговый результат представляется в виде файла в формате csv, содержащем два столбца: \"<code>Loan ID</code>\" и \"<code>Loan Status</code>\":</p>\n<pre>Loan ID, Loan Status<br />b877467a-daca-270c-9c7c-562y8ra7d04f, Fully Paid<br />1234a5r2-12e0-241f-9see-456dcbdff0c2, Charged Off<br />...</pre>\n<p>Пример результатов представлен в файле <a href=\"https://inclass.kaggle.com/c/6890/download/credit__sample.csv\">credit__sample.csv</a>.</p>\n<p>Сразу после загрузки на основании публичного тестового набора данных рассчитывается доля правильных ответов (<code>Accuracy</code>), а также рейтинг участника. По окончании соревнования для каждого участника происходит перерасчет доли правильных ответов и рейтинга на основании закрытого тестового набора данных.</p>\n<p>Участники не могут образовывать команды. Каждый участник может подать несколько результатов, но не более 10 в день. В итоговом рейтинге будет учитываться наилучшая модель.</p>\n<p>Соревнование проводится на платформе <a href=\"https://inclass.kaggle.com/c/integral-champ-2017-1/\">kaggle</a>, для участия необходимо зарегистрироваться на этой платформе по ссылке <a href=\"https://inclass.kaggle.com/account/register\">https://inclass.kaggle.com/account/register</a>. После этого можно ознакомиться с подробными правилами соревнования и загрузить исходные данные по адресу <a href=\"https://inclass.kaggle.com/c/integral-champ-2017-1\">https://inclass.kaggle.com/c/integral-champ-2017-1</a>.</p>\n<p>Чемпионат начинается 16 ноября 2017 года в 18:00, результаты будут приниматься по адресу<a href=\" https://inclass.kaggle.com/c/integral-champ-2017-1/submit\"> https://inclass.kaggle.com/c/integral-champ-2017-1/submit</a> до 15:30 17 ноября 2017 года.</p>\n<p>Сразу после загрузки будет автоматически рассчитываться доля правильных ответов (<code>Accuracy</code>) и рейтинг участников на основании публичного тестового набора данных.</p>\n<p>Для получения зачета необходимо получить долю правильных ответов, не меньшую чем 0.7.</p>\n<h1>Желаем успеха!</h1>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "<p>Мерой точности является доля правильных ответов</p>\n<p>\\[<br />Accuracy = \\frac{TP+TN}{TP+FP+TN+FN}<br />\\]</p>\n<p>Для получения зачета необходимо получить долю правильных ответов, не меньшую чем 0.7.</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}