Как проверял тестами работу моделей\

Для тестирования моделей использовал несколько подходов:

1. Метрики качества:

from sklearn.metrics import accuracy_score, f1_score, roc_auc_score
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")
print(f"F1: {f1_score(y_test, y_pred)}")
print(f"ROC-AUC: {roc_auc_score(y_test, y_pred_proba)}")

2. Кросс-валидация:

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5, scoring='f1')
print(f"CV F1: {scores.mean():.3f} ± {scores.std():.3f}")

3. Стабильность предсказаний:

• Тестировал на временных срезах (для временных данных)
• Проверял распределение предсказаний на отложенной выборке

4. Сравнение с бейзлайном (например, dummy classifier)

5. Интерпретируемость:

• Анализ feature importance
• Проверка SHAP значений на осмысленность

Для глубокого обучения дополнительно:

• Мониторинг loss на валидации
• Анализ confusion matrix
• Тестирование на edge cases