Kaggle Challenges

캐글 대회 참가 기록. 실험 과정과 실패한 가설까지 함께 남깁니다.

대회	유형	규모	결과
Playground S6E8 — 스마트폰 중독 예측	이진 분류 (ROC-AUC)	3,532팀 · 69만 행	상위 27.8% (981위)
Kaggriculture — 농장 시뮬레이션 에이전트	시뮬레이션 / 에이전트	7,699팀 · 상금 $50,000	진행 중 (9/30 마감)

---

Playground S6E8 — 스마트폰 중독 예측

스마트폰 사용 습관 데이터로 중독 여부를 예측하는 이진 분류 대회. train 691,369행 × 13피처, 평가 지표 ROC-AUC.

항목	값
베이스라인 CV AUC	0.963574
최종 CV AUC	0.968290
최종 Public LB	0.96939
누적 개선	+0.004716
최종 구성	LightGBM 3개 + XGBoost 2개 단순 평균 (피처 80개, 10-Fold)

검증 설계 — 실험 비교는 모두 SEED=42, StratifiedKFold(5, shuffle=True) 동일 분할로 했고, 최종 모델은 10-Fold로 학습했습니다. 리더보드가 아니라 CV로만 판단해, 제출 7회 동안 CV 순위와 LB 순위가 한 번도 어긋나지 않았습니다(순위 상관 1.0).

기록해 둔 것

• PROGRESS.md — 단계별 실험 전 과정
• TOP_SOLUTIONS.md — 상위권이 한 것과 내가 놓친 것. 타깃 인코딩을 '정확한 값'이 아니라 '반올림한 구간'으로 만들어 실패했고, 상위권은 같은 기법으로 +0.0046을 벌었습니다.

배운 것

1. EDA는 가설을 만드는 단계지 결론을 내는 단계가 아니다 — 단변량 분석은 트리 모델이 찾아내는 변수 간 상호작용을 보지 못한다.
2. 기여하지 않는 피처는 중립이 아니라 점수를 깎는다.
3. 통념보다 자기 데이터의 숫자를 믿어라.

→ 상세 README

---

Kaggriculture — 농장 시뮬레이션 에이전트

1:1 대전 후 은행 잔고를 비교해 Elo를 매기는 시뮬레이션 대회. 정형 ML이 아닙니다.

핵심 발견 — "무엇을 키우느냐"가 아니라 "마을이 사주는 만큼만 파느냐"의 게임

품목	타일 효율	마을 시즌 흡수량
MELON	$109/타일·일 (1위)	30개 (꼴찌)
STRAWBERRY	$44.7	426개
MILK	—	327개

멜론은 타일 효율 1위지만 사가는 상점이 없어 팔수록 가격이 무너집니다. 표면 지표(생산 효율)가 아니라 실제 제약(수요 흡수량)이 승패를 가릅니다.

성능 추이

버전	평균 잔고	방법
v0 (튜토리얼)	1,060	기준
v1	1,913	수동 튜닝 한계
v2	22,560	Optuna 90회 탐색
v3	48,966	이동 최소화 (작업 효율 2.2배 → 4.8배)
v3.1	45,665	시기별 고용 (현재 제출본)

실전 검증의 교훈 — v2는 자체 대전 승률 100%였지만 실제 레이팅은 466이었습니다 (1위는 3,000대). 튜토리얼 봇 하나만 상대로 튜닝했기 때문입니다. 상위권 공개본을 스파링 상대로 확보한 뒤에야 진짜 격차가 보였습니다.

상위권 아이디어를 그대로 베끼지 않고 하나씩 실측

아이디어	결과
멜론 도입	기각 — 0그루 44,282 vs 20그루 34,097
비료 수집·판매	기각 — 44,282 vs 38,486
시기별 고용	채택 — 44,282 → 45,665

같은 재료도 구조가 다르면 결과가 반대입니다.

과적합 검증 — 튜닝에 쓴 시드(42~)보다 처음 보는 시드(900~, 5000~)에서 점수가 더 높아 과적합이 아님을 확인했습니다.

→ 상세 README · 전략 분석

---

환경

Python 3.11 · LightGBM · XGBoost · CatBoost · Optuna · pandas · scikit-learn

.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt

대회 원본 데이터는 저장소에 포함하지 않습니다. 각 폴더의 README에 내려받는 방법을 적어 두었습니다.