자율주행 센서의 안테나 성능 예측 AI 경진대회

====
안녕하세요 lastdefiance20입니다. 마지막에 순위 대격변이 일어나서 최종 2위로 수상하게 되었습니다.

코드와 ppt는 깃허브에서도 확인하고, 실습이 가능합니다.
https://github.com/lastdefiance20/ML_Competition/tree/main/Dacon/Radar Performance Prediction
====

저희 팀은 초반에 stratify 기법으로 리더보드 최상위권에 있다가, 후반에 1.93 근방에서 더이상 성능이 좀처럼 안올라가서 멈추게 되었습니다.

LG Aimers를 참여하며 자연스럽게 해커톤도 진행했는데 (팀도 수강생으로 이루어졌습니다.), 해커톤 이전 이론 phase에서는 정말 이론적인 강의만 진행해서 저는 좋았지만 다른 참가자들은 이론만 듣고 해커톤으로 투입되니까 조금 당황스러워 하시는 분들도 있고, 실습을 기대하셨던 분들도 있어서 이론 phase에서 실습 병행이 좀 필요한것 같기도 합니다... LG Aimers는 매번 여름 / 겨울방학마다 실행되고 재참여가 가능하다고 하니까 아마 겨울방학에도 비슷한 대회가 열리지 않을까 싶네요.

코드 이야기를 해보자면 성능이 가장 올라갔을때는 label을 이용한 stratify를 적용했을때, cat과 lgbm을 같이 사용했을때 이 두가지 시점에서 큰 성능 향상이 일어났습니다.

LGBM과 XGB는 MultioutputRegressor를 사용했으며, 성능을 올리기 위해, MultioutputRegressor 내부 fit 함수에 early stopping 기능을 추가하고, 2차 평가 진출시 모델 저장이 필요해서 save와 load 내부 함수도 추가했습니다.

Catboost 모델의 경우, multioutput 옵션이 있어서 그냥 사용했으나, 이 옵션은 gpu 학습이 지원되지 않아서 cpu로 학습을 진행하였습니다. 

코드의 순서는 다음과 같습니다.
데이터 불러오기 -> 데이터 분석 -> 데이터 전처리 -> 모델 생성 -> 모델 학습 -> 결과 제출