Imbalance의 경우에는 고려하지 않았습니다. 평가지표가 AUC인 만큼, 클래스 불균형에 대한 고려는 뒷전으로 미룬거 같습니다.
약 3:1정도의 Imbalance여서, 그렇게 크지도 않구요.

도중 LG에서 발표해주신 AGATa나 SMOTE, RANDOM, ADASYN등 다양한 오버샘플링 방식을 고려한적은 있으나, 큰 효과를 보진 못한거 같습니다.
그나마 Random OverSampling의 경우가 나았네요. 딥러닝의 경우 AGATa는 효과가 있었습니다.

저도 불균형 데이터셋<--여기에 초점을 두고 개선을 진행했었는데 생각했던 것 보다 성능이 크게 향상되는 것 같진 않더라고요..그래서 최대한 데이터 내의 클래스 분포에 집중해서 모델튜닝을 진행했던 것 같습니다. 이번에 좋은 경험한 것 같고 다들 고생 많으셨습니다!