요약
- 원제(블로그 표기) "LG Aimers 수요 예측 해커톤: 체계적인 실험으로 앙상블 전략 최적화하기" — 파일명 금지 문자(:)만 치환. 게시일 2025-08-27 · slug
lg-aimers-demand-forecasting-hackathon · 카테고리 "프로젝트 · 해커톤 · 대회 / ML · 데이터 대회" · 한국어·영어 병기 - '식음업장 메뉴 수요 예측' 주제의 LG Aimers 해커톤 회고. 최종 Private Score 0.48718로 1,500명 중 61위(상위 4.2%), 본선 진출에는 실패.
- 초기의 복잡한 피처 엔지니어링 + 트리/딥러닝 하이브리드 구상이 막혀, 검증된 베이스라인 V44(세 모델 단순 평균: V19 피처 기반 LGBM·XGBoost·CatBoost / V31 개별 메뉴 시계열 PatchTST / V34.2 글로벌 시계열 N-BEATS)로 피봇. 실험 원칙: 개별 모델은 고정하고 예측 결합 로직만 수정.
- 실패한 가설: V19에 피처를 추가하자 Public 0.5030 → 0.5092로 하락 — 모델 간 예측 유사도가 높아져 앙상블 다양성이 무너짐. 성공한 가설: V19 가중치 상향(0.4)으로 0.5017, SMAPE가 예측값 0에 큰 페널티를 주는 점을 이용한 0→1 후처리로 0.4921. 가중 앙상블 + 후처리 조합으로 베이스라인 대비 RMSE 15% 감소.
- 결론: 잘 만들어진 여러 모델이 있다면 내부를 건드리기보다 외부 결합 방식을 정교하게 다듬는 편이 효과적. 최종 제출 코드는 V19에 0.5, 나머지에 0.25 가중 평균 + 0→1 후처리.
등장하는 것
- LG Aimers 7기 — 글의 주제인 해커톤(수료 노트; 순위·모수 '명/팀' 표기 갈등은 그 노트 참조)
- LG AI연구원 — LG Aimers 주관
연결
- Writing · Credentials
- 원자 노트: 단일 거대모델이 실패하면 앙상블 다양성을 본다 — 피처를 더하면 모델들이 닮아져 앙상블이 무너진다 · 평가 지표의 페널티 구조를 먼저 읽는다 — SMAPE는 0 예측에 큰 페널티를 준다 · 잘 만든 모델은 내부를 건드리기보다 결합 방식을 다듬는다
- 개념: CatBoost · LightGBM · N-BEATS · PatchTST · SMAPE · TSB-AD·TAB 벤치마크 · XGBoost · i18n 다국어 · 기술 블로그 운영 · 수요 예측 · 시계열 · 앙상블 · 평가 설계 · 피처 엔지니어링
