리더보드에서 보여지는 점수는 public score 입니다.
test data가 총 100개라면 public score는 30개의 데이터로 나온 점수입니다.
나머지 70개로 매긴 점수가 private score입니다.

결과물을 제출하지 않고서 성능을 어느정도 알 수 있는 방법으로는 train data를 sklearn에서 제공하는 train_test_split이라는 함수나 다른 방식을 사용해서 train set(학습셋)과 valid set(검증셋)으로 나눠주어야 합니다.

이후 train set을 모델에 학습시키고 valid set을 사용해 대회안내 페이지에서 dacon이 제공한 nrmse score 함수를 이용해서 local에서 어느정도 성능을 예측할 수 있으며, 그중에 가장 잘 나온 것을 제출해서 public score이 얼마나 나오는지 local에서 측정한 점수랑 얼마나 비슷한지 알아보고 접근할 수 있습니다.

public, private는 윗분이 설명해주신게 맞으며, 최종 등수를 매길때는 private점수를 사용해 점수를 매깁니다.

대회 규칙에 평가산식이 따로 설정되어있습니다
평가 산식 : Normalized RMSE (NRMSE)
def lg_nrmse(gt, preds):
    # 각 Y Feature별 NRMSE 총합
    # Y_01 ~ Y_08 까지 20% 가중치 부여
    all_nrmse = []
    for idx in range(1,15): # ignore 'ID'
        rmse = metrics.mean_squared_error(gt[:,idx], preds[:,idx], squared=False)
        nrmse = rmse/np.mean(np.abs(gt[:,idx]))
        all_nrmse.append(nrmse)
    score = 1.2 * np.sum(all_nrmse[:8]) + 1.0 * np.sum(all_nrmse[8:14])
    return score