Как решать проблему отсутствия нужной информации в данных?

Что проверяют

Умеете ли вы сначала понять, чего именно не хватает, и только потом выбирать метод. Пропуски в колонке, отсутствие нужного признака и нехватка разметки решаются по-разному. Следом обычно спрашивают, как вы проверите, что заполнение пропусков не испортило модель.

Как отвечать

Разделите проблему на три случая.

Пропуски в имеющихся признаках. Сначала механизм: значения пропадают случайно (MCAR), зависят от других признаков (MAR) или от самого пропущенного значения (MNAR, например доход скрывают как раз те, у кого он высокий). От этого зависит метод:

• индикатор пропуска: SimpleImputer(add_indicator=True) или отдельный флаг. Сам факт пропуска часто несёт сигнал;
• модели, которые понимают NaN: LightGBM, XGBoost, CatBoost и HistGradientBoostingClassifier из scikit-learn работают с пропусками без заполнения;
• KNNImputer и IterativeImputer: когда признаки сильно связаны между собой. Это дороже и легко подгоняется под трейн;
• без утечки: импьютер обучается только на трейне, внутри Pipeline, иначе статистики валидации просочатся в обучение.

Нужного признака нет вообще. Ищите прокси из того, что есть, внешние источники с проверкой лицензии и персональных данных, или договаривайтесь с инженерами о логировании нового события, понимая, что история накопится только через недели. Отдельно проверьте, будет ли признак доступен в момент предсказания, а не только задним числом.

Не хватает разметки: активное обучение, разметка правилами (weak supervision), semi-supervised подходы.

Эффект подтверждайте сравнением с бейзлайном на одной и той же валидации, а не одной красивой цифрой.

Где спотыкаются

Заливают всё средним по умолчанию. Для MNAR это прямое искажение, а дисперсия признака и его связь с целью размываются.

Обучают импьютер или масштабирование на всём датасете до разбиения. Метрика на валидации выходит завышенной, а в проде модель проседает.

Боятся сказать, что задача не решается на этих данных. Честный вывод «сигнала нет, нужно собрать вот это» ценится выше модели, натянутой на шум.