Проект был выполнен в рамках трека "Анализ данных" в Центре Математических Финансов (ЦМФ) при Институте Количественных Финансов НИУ ВШЭ. В ходе проекта был дан набор данных, для которых была предсказана бинарная переменная возврата кредита. В рамках работы предлагалось решение популярной задачи кредитного скоринга на данных, для которых было дано только признаковое пространство X (https://www.kaggle.com/c/2021-bank-scoring-case-2). Для решения использовались классические модели бинарной классификации - логистическая регрессия, дерево решений, kNN, - случайный лес и градиентный бустинг в реализации XGBoost (а также тестировались CatBoost и AdaBoost). Для различных типов моделей проводился тюнинг гиперпараметров. Лучший score соревнования по метрике AUC-ROC был достигнут при помощи XGBoost и составил 0.86519 (третий результат c минимальным отставанием в лидерборде).