타겟 변수랑 별 관련이 없어 보이는 피처들 뿐인데 그것들 가지고 타겟변수를 잘 설명할 수 있는 파생변수를 누가 더 잘 만들어내느냐 하는 것이 이번 대회의 핵심 키포인트인 것 같습니다. 공정과정에 의해 성능이 결정되는 것은 분명하니 분명 타겟변수를 잘 설명할 수 있는 그 무언가가 있을 것 같기는 합니다.  설명력이 높은 파생변수를 찾으면 결국 왜 성능을 잘 예측할 수 있었는지 알 수 있을 것 같기도 합니다. 물론 도메인지식과는 거리가 있을 수도 있구요. ^^
참고로 실제값보다 예측값의 표준편차가 너무 작아서 평균값을 기준으로 강제로 퍼트려봤는데 오히려 더 성능이 안 좋아지더라구요. 참고요. ㅎㅎ

저는 prediction의 분포가 좁게 나타나는 것이 데이터의 각 피쳐 값의 차이가 뚜렷하지 않아서 그렇지 않을까 생각하고 있습니다. 
Tree 기반의 모델의 경우 트리를 분할하는 방식이 여러 변수에 걸쳐진 경향을 파악하기는 어렵지 않을까 개인적으로 생각했는데, 
그것을 feature engineering으로 보완하면 좋은 결과 있지 않을까... 하고 시도하고 있습니다. 

리더보드 입니다

문제없습니다.
데이터 만으로 학습하신다면 기본적인 선형회귀 돌려보세요(코드 공유에 있습니다)
대회에서 좋은 성적 내고 싶다면 그때 전처리를 하시면 됩니다!(모델을 바꾸거나, 파라미터를 바꾸거나 등등)

주어진 데이터만으로 학습해도 충분히 좋은 성적을 낼 수 있습니다. 다른 변수를 찾아내려는 과정은 0.00X점 정도를 올리려고 시도하는 과정이고, 충분히 주어진 데이터에 맞는 모델을 찾아서 하이퍼파라미터 튜닝을 시도해도 순위권 내에 들 수 있습니다.

수료 기준치는 Dacon에서 주어진 Baseline에서 다른 모델을 찾아보고, 사용하기만 해도 충분히 가능합니다!

윗댓분들 감사합니다 열심히해볼게용! 화이팅!

이번 대회에 딥러닝 모델을 다루신다고 하여 씁니다.
개인적인 의견입니다만 정형데이터 tabular, structured data 라 불리는 즉 table 형태로 주어진 데이터는 딥러닝보다 기존 머신러닝계열에서 탑을 찍은 모델들이 더 잘돌아갑니다. 
뉴럴네트워트보다 Catboost나 LGBM XGBoost 같은 모델을 사용해보시는 편을 개인적으로 추천드립니다.
무엇보다 시간이 많이 남지않아 기존 머신러닝 계열 모델들이 스코어를 기준을 한다면 현재로써 탁월한 선택이라고 생각합니다.
deep한 뉴럴넷보다 Boost 계열이 훨씬 빠르게 모델 트레이닝이 가능하기 때문이며,
그리고 무엇보다 ensemble을 만드시는 것을 추천드립니다.