Boost Camp P stage 4 대회의 과정과 결과를 담은 Git repo 입니다. 대회 규칙상 특정 내용이 수정되거나 삭제된 경우가 존재합니다
Team Rank : 7 , AUROC : 0.8362, Accuracy : 0.7527
김종호 Project Branch 
박상기 Project Branch
임도훈 Project Branch
지정재 Project Branch
홍채원 Project Branch
Project Branch는 DKT 대회에서 사용한 팀원 별 Branch입니다. 팀원의 자세한 정보를 원하시는 경우 Project Branch로 확인 가능합니다
➡교육 도메인 지식 활용
➡User split augmentation
➡private leader board를 고려한 모델 실험
➡Two track (task cross-reference)
➡ 다양한 EDA를 통해 Feature engineering과 validation 전략을 세우는데 활용
➡ 데이터 분석 기반 Feature
✳ User ID, assessmentItemID, testId, KnowledgeTag, Timestamp 과 answerCode 관계
✳각 Value와 answerCode값의 평균, 분산, Skew, 누적합, 누적 평균
✳각 Value 값의 통계적 수치
➡ 교육학 이론 기반 Feature
✳assessmentItemID, testId, KnowledgeTag의 변별도 값
✳변별도 : (상위 정답 수 - 하위 정답 수 ) / (총 응시자 / 2)
➡ ELO rating
✳정답 여부에 따른 개인 Rank 점수 적용
✳문제 난이도에 따른 Rank 점수의 증가와 감소
➡ 총 47개의 Feature 생성
➡ Sliding Window(Stride = 10,20, ... ,128)
➡ User month split (사용자를 월별로 정리)
➡ User testID grade split (사용자를 문제지별 정리)
➡ Tree decision : LGBM , XGBoost , Catboost
➡ NN Models : LSTM , LSTM with Attention , Bert , Saint , GPT-2, LastQuery_pre/post
이전 stage에서 shake-up이 크게 일어나서 큰 점수 하락을 겪었기 때문에 validation 전략에 조금 더 신경을 썼습니다.
➡ UserID split
✳userID를 기준으로 k-fold를 진행
➡ grade별 검증
✳ 사용자의 대표 grade를 추출하여, grade의 비율에 맞게 K-fold 수행
✳ ex) A030071005, testID, AssesmentID 에서 앞자리 3자리의 경우 Grade
✳ 상세
User 별로 grade가 고정되어 있지 않은 경우를 확인하였다.( ex, userID 315가 grade 3, 4, 7의 문제를 모두 푸는 경우) 따라서 사용자의 grade를 하나로 특정하기 어려운 문제 발생하였다. 이를 해결 하기 위해 하나의 사용자에서 가장 많이 등장한 grade를 기준으로 사용자의 대표 grade 설정하였다.
설정한 대표 grade를 기준으로 데이터 분포를 확인 한 결과 Train set 과 Test set의 분포가 유사하다는 것을 확인하였다.
➡ Hyper parameter tuning - Optuna
➡ PCA
✳ 40개의 features를 input으로 하여 주성분 분석을 수행
✳ 주성분 분석 결과
94%이상의 분산설명력을 가지기 위해서는 20개 이상의 주성분이 필요했다.
20개의 주성분을 가지고 모델 train과 inference한 결과, Validation AUC가 0.8136 나왔다.
➡ ensemble
✳ soft voting
분류기들의 레이블 값 결정 확률을 모두 더하고 이를 평균해서 이들 중 확률이 가장 높은 레이블 값을 최종 보팅 결괏값 으로 선정.
DKT competetion의 eval-metric이 AUC 이므로 class label값을 제출하는 것이 아닌 확률값을 제출하므로, 모델별 prediction 값을 평균내는 부분까지 진행하였고, 단일 모델 결과보다 PB LB 점수상으로 하락하였다.
모델마다 상이한 prediction으로 인해 값이 하락한 것으로 판단되어 OOF stacking을 시도해야 할것으로 판단하였다.
✳ hard voting
다수결, 여러 모델의 결과 값을 기준으로 가장 많은 모델이 예측한 class label을 기준으로 예측값을 도출하였다.
DKT competetion의 eval-metric이 AUC 이므로 class label값을 제출하는 것이 아닌 확률값을 제출하므로, 가장 많은 모델이 예측한 class label로 예측한 모델들의 prediction 값을 평균낸 값으로 제출하였고, soft voting과 동일하게 단일 모델 결과보다 PB LB 점수상으로 하락을 보였다.
✳ oof_stacking
NN기반 model의 prediction 결과값과 tree 기반의 model의 prediction 결과 값이 상이한 것을 위의 soft voting의 결과로써 얻었기 때문에 이렇게 결과가 상이한 경우 메타 모델을 통해 ensemble을 하게되는 oof-stacking 방법이 효과적으로 알고 있었기에 이를 진행하고자 하였다.
✳ Priority Max Ensemble
상위 4개 prediction 중 정확도가 가장 높은 정확도를 가진 prediction을 우선으로 4개의 prediction의 max값을 취해서 Ensemble을 하였다. 이러한 방법을 선택한 이유는 정확도 값은 보존하면서 auc가 높아질 것으로 예상하여 사용하였다.
pd_list[0]['prediction']
new_df = pd.DataFrame(columns=['prediction'])
for i in range(len(pd_list[0])):
id=i
a1 = pd_list[0]['prediction'][i]
a2 = pd_list[1]['prediction'][i] # 가장 높은 acc를 가진 prediction(이하 1번예측)
a3 = pd_list[2]['prediction'][i]
a4 = pd_list[3]['prediction'][i]
d = {"up":[],"down":[]}
for j in range(4): # 0.5를 기준으로 나눈다.
if pd_list[j]['prediction'][i]>=0.5:
d["up"].append(j)
else:
d["down"].append(j)
if len(d["up"])>0 and len(d["down"])>0:
# 0.5를 기준으로 up, down이 있을 때, prediction을 max로 하여 auc를 늘림
# 1번 예측이 어느 그룹에 포함되어 있을 때, 그 그룹에서 max 취함
if (1 in d["up"]):
m = pd_list[max(d["up"])]['prediction'][i]
elif (1 in d["down"]):
m = pd_list[max(d["down"])]['prediction'][i]
else: # 네 개다 up 또는 down에 모두 있으면, max로 prediction 값을 구함
m=(max(pd_list[0]['prediction'][i],pd_list[1]['prediction'][i],pd_list[2]['prediction'][i],pd_list[3]['prediction'][i]))
new_df.loc[len(new_df)]=[m]위에서 생성한 모델을 활용하여 간단한 SPA 웹 앱인 "Mini 수능" 제작
추가 사용 기술 : Flask, HTML, CSS, Javascript
7.1 웹 서빙 구조도
7.2 시연
