Применение методов машинного обучения для классификации типов скидок

Данная работа посвящена проблеме бинарной классификации c учителем (supervised learning), в которой мы исследуем 6 методов машинного обучения (логистическая регрессия, дерево решений, LGBM, CatBoost, Perceptron) и их возможность применения к набору данных, содержащему подробную информацию об утвержденных скидках для клиентов пивной компании. Обучая модели на правильно размеченных данных, мы стремились получить лучший классификатор для определения типов скидок. В итоге все рассматриваемые модели значительно превзошли показатели базового классификатора (модель, которая всегда возвращает метку большинства). При этом случайный лес показал лучшие результаты почти для всех метрик, поэтому именно данный классификатор мы рекомендуем использовать для восстановления пропущенной информации о типах скидок, что имеет решающее значение для прогнозирования продаж. Также оказалось, что можно обучить модель с приемлемой производительностью, используя только 6 из 17 признаков, содержащихся в обработанном наборе данных. Это значит, что можно восстановить информацию о пропущенных типах скидок даже за те периоды, когда полный набор данных недоступен.