Приведи пример сложной задачи с проекта

Одна из сложных задач — предсказание оттока клиентов (churn prediction) для телеком-компании. Данные включали историю звонков, тарифы, жалобы и демографию. Основные сложности:

1. Дисбаланс классов (5% ушедших клиентов). Решение: SMOTE + взвешенная функция потерь.
2. Пропуски в данных. Применяли KNN-импутацию для числовых и моду для категориальных.
3. Интерпретируемость. Использовали SHAP для объяснения важности фич (например, частые жалобы увеличивали риск оттока).

Пример кода для балансировки:

from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X_train, y_train)

Финал: CatBoost с AUC 0.92, что снизило отток на 15% после внедрения.