[신규 오픈 기념] 데이스쿨 최대 40% 할인 🎁
분석시각화 대회 코드 공유 게시물은
내용 확인 후
좋아요(투표) 가능합니다.
답변 정말 감사합니다. 많은 도움이 됩니다.
데이콘(주) | 대표 김국진 | 699-81-01021
통신판매업 신고번호: 제 2021-서울영등포-1704호
서울특별시 영등포구 은행로 3 익스콘벤처타워 901호
이메일 dacon@dacon.io | 전화번호: 070-4102-0545
Copyright ⓒ DACON Inc. All rights reserved
엄연히 따지면 quantile loss(y, y_hat, 0.3)과 quantile loss(y, y_hat, 0.7)은 다른 loss함수니 원칙적으론 loss마다 하는것이 맞습니다.
예를들어 0.3 퀀타일 로스와 0.7 퀀타일을 예측하는데 서로 다른 모델이 더 적합할것으로 예상되면 9개 로스 함수에 대해서 각각 최적화를 하는것이 좋습니다.
반면 거의 비슷한 task로 보이고 최적 모델의 하이퍼 파라미터가 크게 다르지 않을것으로 예상되면 9개 퀀타일 함수의 합을 최적화 하는 방법도 있습니다.
어차피 이 경진대회의 최종 Loss 계산법도 모든 값들의 Loss를 평균낸 값이니 모든 모델을 1개 파라미터 set으로 최적화 하는 방법이
이 방법에 대응되겠죠.
빠른시간으로 최적화를 진행하고싶다 하면 1개 대표 퀀타일을 설정해서 해당 파라미터를 일괄 적용하는 방법이 가장 빠르겠죠.
이 경우에는 MAE 계산과 대응되는 0.5 퀀타일 로스를 사용하는게 가장 baseline 선택이 되겠습니다
어떤 방식으로 접근을 하고 전략을 사용하느냐에 따라 달라질것 같습니다