{
  "fetched_at": "2026-10-20T02:46:53Z",
  "source_url": "https://www.kaggle.com/competitions/gb-choose-tutors/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Id - айди<br>\nage - возраст преподавателя<br>\nyears_of_experience - стаж преподавателя<br>\nlesson_price - стоимость урока<br>\nqualification - квалификация преподавателя<br>\nphysics - преподает ли физику<br>\nchemistry - преподает ли химию<br>\nbiology - преподает ли биологию<br>\nenglish - преподает ли английский<br>\ngeography - преподает ли географию<br>\nhistory - преподает ли историю<br>\nmean_exam_points - средний балл за экзамен учеников<br>\nchoose - целевое значени, выбирать или нет преподавателя<br>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "In this competition your task will be to predict the probability for a tutor to be a proper one for preparing for the math exam. You will be given two datasets: train.csv (contains all features and the target) and test.csv (only features).\n<hr>\nВаша задача этом соревновании - предсказать вероятность того, подойдет ли репетитор для подготовки к экзамену по математике. Вам будут даны два датасета: train.csv (содержит признаки и целевую переменную) и test.csv (только признаки).\n<hr>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "The evaluation metric is [ROC AUC](https://en.wikipedia.org/wiki/Receiver_operating_characteristic)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "You can only use these imports:\n\n<code>import numpy as np</code><br>\n<code>import pandas as pd</code><br>\n<code>from sklearn.model_selection import train_test_split</code><br>\n<code>from imblearn import over_sampling, under_sampling</code><br>\n<code>import matplotlib.pyplot as plt</code><br>\n<code>import seaborn as sns</code><br>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}