월간 데이콘 기계 고장 진단 AI 경진대회

대회가 길었는데 다들 수고하셨습니다
기본적인 피쳐는 베이스라인을 토대로 일부 수정했습니다.
train 데이터에서 fantype 값을 MSE Loss로 학습하고, 예측한 값을 fantype과 합께  기본 피쳐에 붙여 학습했습니다.
pyod lunar 모델에 seed 설정이 없어 성능이 0.93~0.97 으로 변해 일관적인 재현은 힘듭니다.(torch seed 설정해도 변함)


아래는 추가적인 실험 입니다.
librosa 다른 피쳐들, 분산 등
pyod 대부분의 모델
noise reduction, noise addition, augmentation(pitchshift, time stretch etc..)
autoencoder(residual layer, attention layer from ChatGPT) , arcfaceloss, loss ensemble
여러가지 scaler
fantype 나눠서 진행, fantype 인코딩
pretrained model을 통한 피처추가