유전체 정보 품종 분류 AI 경진대회

관심 가져주셔서 감사합니다. 제가 말을 좀 모호하게 했는데 직접적으로 그룹을 지어서 한 레퍼런스라기 보다는
https://synapse.koreamed.org/upload/synapsedata/pdfdata/0018kjlm/kjlm-37-224.pdf 이 논문에서 각 염색체 별로 snp 마커의 분포를 도출해낸 것과 
http://kpat.kipris.or.kr/kpat/biblioa.do?method=biblioFrame&applno=1020160152435&index=0&start=fulltext&openPageId=View02 논문에서 특정 염색체에만 존재하는 유전자가 영향을 끼친다는 것을 토대로 그룹을 지어 모델링을 진행하였고 테스트 값을 통해 실제 모델이 개선이 된다는 것을 확인하였습니다. 혹시 제 말이 이해가 안가거나 설명을 잘못한 것이 있다면 말씀해주세요!

label encoder는 범주형 변수를 수치형 변수로 단순히 변환시켜주는 것으로 알고 있는데 제가 한 번 해야 하는 작업을 번거롭게 두 번 한 것은 맞지만 혹시 이것도 data leakage에 해당하나요..? 초보라서 제 지식이 정확하지 않을 수 있다는 점 양해 부탁드립니다

음.. 만약에 train에는 예를들어 label이 [A,B,C]가 있어서 [0,1,2]로 encoding을 했는데, test에는 [B,C]만 있어서 encoding을 하면 B> 0 / C > 1 로 바뀌어 train과는 상의한 encoding값을 가질 수 있지 않나 싶어서요. 즉,  train과 test가 동일하게 encoding될거라는 확신( test를 관찰했으니 train과 같다)을 했다고 주최측에서 보면.. leakage에 해당될 수도 있지 않을까요...? 궁금하네요 이번 경우에는.. 좋은 소식 있길 바라겠습니다. :)

그 점에 대해서는 전혀 생각지 못했는데 듣고 보니 엄밀히 따져보면 그럴 수도 있을 거 같다는 생각이 드네요. 다시 코드를 수정하여서 올립니다. 좋은 지적 정말 감사합니다.