예시 답변 1
약 86초
데이터 탐색·피처 엔지니어링 실험·앙상블 전략으로 AI 경진대회 참여 결
AI 경진대회에서 가장 기억에 남는 것은 데이터 탐색에 쏟은 시간이 성능에 직결됐다는 경험입니다. 모델을 빠르게 돌리기 전에 데이터 분포와 이상값을 꼼꼼히 확인하고 나서야 어떤 피처가 실제로 의미 있는지 파악할 수 있었고, 초반 탐색에 투자한 시간이 후반 성능을 크게 좌우했습니다.
피처 엔지니어링 실험이 순위를 바꾸는 핵심이었습니다. 기존 컬럼을 조합해 새로운 피처를 만드는 과정에서 도메인 지식이 있는 팀원의 인사이트가 순수 모델 튜닝보다 더 큰 개선을 가져다줬습니다. 모델 자체보다 입력 데이터의 질이 성능에 더 많이 영향을 준다는 것을 실감했습니다.
대회 후반에는 여러 모델의 예측을 앙상블해 안정성을 높였습니다. 단일 모델보다 분산이 낮고 일반화가 잘 되는 결과를 얻었고, 앙상블 가중치를 실험하면서 검증 세트 성능이 계속 개선되는 과정이 흥미로웠습니다.
이 결의 특징
AI 경진대회에서 가장 기억에 남는 것은 데이터 탐색에 쏟은 시간이 성능에 직결됐다는 경험입니다. 모델을 빠르게 돌리기 전에 데이터 분포와 이상값을 꼼꼼히 확인하고 나서야 어떤 피처가 실제로 의미 있는지 파악할 수 있었고, 초반 탐색에 투자한 시간이 후반 성능을 크게 좌우했습니다라는 흔적이 있습니다
이 결이 통하는 자리
피처 엔지니어링 실험이 순위를 바꾸는 핵심이었습니다. 기존 컬럼을 조합해 새로운 피처를 만드는 과정에서 도메인 지식이 있는 팀원의 인사이트가 순수 모델 튜닝보다 더 큰 개선을 가져다줬습니다. 대회 후반에는 여러 모델의 예측을 앙상블해 안정성을 높였습니다. 단일는 자리에서 통합니다