미션

1단계 - 결과물 예측

• test.csv를 pandas로 읽음
• 읽은 것에 train.csv에 사용된 것과 동일한 전처리 적용
• 학습된 모델에 적용하여 예측값 구하기
• 구한 예측값을 0.5를 기준으로 0과 1로 만들기
  
  
  

2단계 - 결과물 만들기

• sample_submission.csv를 읽기
• sample_submission data_frame의 state 컬럼의 값을 1단계에서 예측한 값으로 변경
• submission.csv 파일 이름으로 저장.
  • 라인수는 sample_submission과 동일한 12,219 이어야 함.

3단계 - 결과물 출품

• 2단계에서 생성한 submission.csv를 로칼 컴퓨터로 다운로드
• https://www.kaggle.com/competitions/tabular-playground-series-apr-2022 페이지를 열고
• 'Late Submission' 클릭
• submission.csv를 업로드
• 'Make Submission' 클릭
• 스코어 확인.

4단계 - 성능 개선

• 참고 자료 : 
  • 오버피팅 처리 : https://github.com/dhrim/slipp_study_2022_DL_competition/blob/master/material/deep_learning/dnn_in_keras_overfitting.ipynb
  • Early Stopping : https://github.com/dhrim/slipp_study_2022_DL_competition/blob/master/material/deep_learning/dnn_in_keras_callback.ipynb
• 이상치 처리
  • 이상치 처리 안된경우 이상치 처리
  • 1~3단계를 반복
    
• Batch Normalization
  • 코드에 Batch Normalization을 적용.
  • 1~3단계를 반복
• Drop Out
  • 코드에 Drop Out을 추가 적용
  • 1~3단계를 반복
• Regularization
  • 코드에 Regularization을 추가 적용
  • 1~3단계를 반복
• Early Stopping
  • 코드에 Early Stopping을 추가 적용
  • 1~3단계를 반복
• (optional) 기타
  • 모델 사이즈 조정
  • 다른 모델 사용