[DACON] 스마트 해운물류 x AI 미션 챌린지

이상신호 감지 기반 비정상 작동 진단 경진대회 레파지토리입니다.

• 최종 리더보드: 상위 10% 46th으로 마무리되었습니다. 감사합니다

---

H2O AutoML 기반 2단계 분할정복 파이프라인

최고 성능 모델은 멀티클래스 이상탐지(21개 클래스) 문제를 해결하기 위해 설계된
H2O AutoML 기반 분할정복(Class-specific Reclassification) 파이프라인입니다. 클래스 간 경계가 불명확한 구간(특히 0, 3, 9, 15)을 별도로 분리해 정밀하게 재분류하는 구조를 가져요

피처 엔지니어링

• 주요 수치형 피처(X_40, X_46, X_08, X_11, X_37) 중심으로 상호작용 피처 생성

  • 곱셈(_mul_)
  • 양방향 나눗셈(_div_)

• 규칙 기반 이진 피처 추가 (Rule-based Features)

  • 특정 센서 값을 기준으로 명시적인 구간 분리
  • 총 10개의 센서에 대해 추가 피처 생성

1단계: 전체 클래스 예측 모델 (Global Model)

• 모든 클래스(0~20)를 대상으로 한 기본 AutoML 학습
• 모델 탐색 제한 시간: max_runtime_secs = 6000
• 여러 알고리즘을 자동 탐색 및 앙상블 구성

2단계: 헷갈리는 클래스 전용 모델 (Focus Model)

• 1단계에서 오분류가 빈번한 0, 3, 9, 15만 따로 학습
• 동일한 AutoML 파이프라인 적용
• 주요 목적: 클래스 간 미세한 경계 구분 강화

최종: 예측 파이프라인 (확률 기반 라우팅)

• 전체 예측 수행 (1단계 모델)
• focus 클래스(0, 3, 9, 15) 확률 합 계산
• 확률이 p_gate ≥ 0.5 이상인 샘플만 2단계 모델로 재분류
• 나머지는 1단계 예측값 그대로 사용

📦 Data Input
 ├─ train.csv / test.csv
 │
 ├── 🔧 Feature Engineering
 │     ├─ Interaction (X_40·X_46, ratio features)
 │     └─ Rule-based binary features
 │
 ├── ⚙️ Stage 1: Global AutoML
 │     └─ Classify all 0–20 classes
 │
 ├── 🎯 Stage 2: Focus AutoML
 │     └─ Re-classify [0,3,9,15] only
 │
 ├── 🧮 Probability Routing
 │     └─ p_focus ≥ 0.5 → send to stage 2
 │
 └── 📤 Output
       └─ submission.csv

---

기술개발문서

• 다중공선성에 대해서
• SHAP이란?
• AutoML에 대해
• 다양한 프레임워크 적용 실험
• [H2O AutoML] 모델 해석을 통한 피처 엔지니어링 고도화

📌 Git 협업 전략

• Branch 전략
• Pull Request 전략
• Git 이슈 컨벤션
• Git 커밋 컨벤션

📌 팀 협업 전략

• 그라운드 룰
• 기술 문서 작성법