전력사용량 예측 AI 경진대회

감사합니다. 다음 업데이트에선 모델링 부분도 추가해보겠습니다!

i-12 ~ i-1 시점의 temperature 값들로 i 시점의 cdh를 구했습니다. 하지만 i 가 11보다 작으면, i-12시점의 temperature값이 존재하지 않습니다. 따라서, 해당 시점에서는 0 ~ i-1시점의 temperature값들로 i 시점의 cdh를 구한 것입니다:)

그렇군요. 자세한 답변 감사드립니다! :) 

부족한 실력인데 칭찬해주셔서 감사합니다..ㅎㅎ
질문에 대해 답변을 드리자면,
1. 하이퍼파라미터의 경우 8-fold cv score를 기준으로 grid search를 적용했습니다. earlystopping을 지원하는 catboost나 lgbm의 경우, fold별로 earlystopping을 적용해서 최적의 n_estimators를 정한 뒤, 최종적으로 평균치를 계산하였습니다.

2. good_models(pivot_q, threshold) 라는 함수에 대해 설명 드리겠습니다. 
한 건물 내에서 모델 별로 성능 차이가 크고, 건물별로 어떤 모델이 가장 좋은 성능을 내는지도 각기 다릅니다.
예를 들면, 17번 건물에선 elasticnet의 성능이 나쁘지만 36번 건물에선 elasticnet의 성능이 가장 좋죠.
따라서, 건물 별로 ensemble에 포함시킬 모델에 차이를 둬야 한다고 생각했습니다.  그 아이디어를 바탕으로 good_models 라는 함수를 만들었습니다.

예를 들어 k번 건물에서 catboost, lgbm, enet, svr, lassolars의 cv score가 각각 2.1, 2.3, 2.2, 2.4, 4.9 이라고 하겠습니다. 저는 이 모델 중 성능이 크게 나쁜 모델은 ensemble에서 제외하고자 했습니다.  
[2.1, 2.3, 2.2, 2.4, 4.9] 중 (pivot_q quantile에 해당하는 점수 * threshold) 보다 큰 cv score를 갖는 모델은 제외하는 것이죠. 
pivot_q = 0.5, threshold = 1.1일 경우엔, (2.3 * 1.1) 보다 큰 cv score를 갖는 모델(lassolars)은 ensemble에서 제외됩니다.

good models 라는 함수를 통해 건물별로 성능이 매우 나쁜 모델을 제외하는 과정을 자동화시킨 것이라고 보시면 되겠습니다!

ㄴ 와 감사합니다! 많이 배우고 갑니다.