Notice
Recent Posts
Recent Comments
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 |
Tags
- 파이썬
- 데이콘
- ChatGPT
- leetcode
- 우분투
- dacon
- Real or Not? NLP with Disaster Tweets
- Git
- 프로그래머스 파이썬
- 편스토랑
- SW Expert Academy
- 맥북
- 자연어처리
- AI 경진대회
- 코로나19
- PYTHON
- github
- ubuntu
- 더현대서울 맛집
- Kaggle
- 백준
- Baekjoon
- hackerrank
- 캐치카페
- 프로그래머스
- gs25
- Docker
- 금융문자분석경진대회
- 편스토랑 우승상품
- programmers
Archives
- Today
- Total
솜씨좋은장씨
데이콘 X AI 프렌즈 온도추정 경진대회 도전 1회차 본문
728x90
반응형
[공공] AI프렌즈 시즌1 온도 추정 경진대회
출처 : DACON - Data Science Competition
dacon.io
데이콘! 온도추정 경진대회 도전 1회차!
오늘은 저번에 분석해본 결과를 바탕으로 한번 도전해보았습니다.
DACON AI프렌즈 시즌1 온도 추정 경진대회 데이터 이해하고 분석해보기 (feat. DACON YOUTUBE)
3월 ! 이번 달은 지난 금융문자분석경진대회와 원자력 발전소 상태판단 알고리즘 경진대회에 이어 DACON과 AI프렌즈가 함께 개최한 AI프렌즈 시즌 1 온도 추정 경진대회에 참가해보려합니다. 이 대회는 시즌 3까..
somjang.tistory.com
지난 분석을 통해 센서 측정데이터와 기상청의 기온데이터의 상관관계가 높다는 것을 알게되었습니다.
오늘은 이를 바탕으로 결과를 내보려고 합니다.
먼저 기온데이터와 센서 데이터를 그래프로 시각화 해보았습니다.
plt.figure(figsize=(20, 10))
plt.plot(train.loc[:, ['X00', 'X07', 'X28', 'X31', 'X32', 'Y18']].dropna())
plt.legend(['X00', 'X07', 'X28', 'X31', 'X32', 'Y18'])
X00, X07, X28, X31, X32 (기온) / Y18 (센서) 데이터 그래프 시각화
plt.figure(figsize=(40, 20))
plt.plot(train.loc[:, ['X00', 'X07', 'X28', 'X31', 'X32', 'Y00', 'Y01', 'Y02', 'Y03', 'Y04', 'Y05', 'Y06', 'Y07', 'Y08', 'Y09', 'Y10', 'Y11', 'Y12', 'Y13', 'Y14', 'Y15', 'Y16', 'Y17']].dropna())
plt.legend(['X00', 'X07', 'X28', 'X31', 'X32', 'Y00', 'Y01', 'Y02', 'Y03', 'Y04', 'Y05', 'Y06', 'Y07', 'Y08', 'Y09', 'Y10', 'Y11', 'Y12', 'Y13', 'Y14', 'Y15', 'Y16', 'Y17'])
X00, X07, X28, X31, X32 (기온) / Y00 ~ Y17 (센서) 데이터 그래프 시각화
plt.figure(figsize=(40, 20))
plt.plot(train.loc[4000:, ['X00', 'X07', 'X28', 'X31', 'X32', 'Y00', 'Y01', 'Y02', 'Y03', 'Y04', 'Y05', 'Y06', 'Y07', 'Y08', 'Y09', 'Y10', 'Y11', 'Y12', 'Y13', 'Y14', 'Y15', 'Y16', 'Y17']].dropna())
plt.legend(['X00', 'X07', 'X28', 'X31', 'X32', 'Y00', 'Y01', 'Y02', 'Y03', 'Y04', 'Y05', 'Y06', 'Y07', 'Y08', 'Y09', 'Y10', 'Y11', 'Y12', 'Y13', 'Y14', 'Y15', 'Y16', 'Y17'])
X00, X07, X28, X31, X32 (기온) / Y00 ~ Y17 (센서) 데이터 일부 그래프 시각화
그래프로 그려보니 기온데이터와 센서의 데이터가 비슷한 형태를 띄는 것을 볼 수 있었습니다.
일단 Y18의 데이터 3일치와 기상청 데이터 3일치를 활용해서 결과를 내보았습니다.
data = train.loc[:, ['X00', 'X07', 'X28', 'X31', 'X32', 'Y18']].dropna()
data
X_train = data.loc[:, ['X00', 'X07', 'X28', 'X31', 'X32']]
Y_train = data['Y18']
X_train.shape, Y_train.shape
첫번째 제출
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(1, input_dim=5, activation='relu'))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=20, batch_size=32, validation_split=0.1)
:
X_test = test.loc[:, ['X00', 'X07', 'X28', 'X31', 'X32']]
X_test.shape
predict = model.predict(X_test)
predict_labels = []
for i in range(len(predict)):
predict_labels.append(predict[i][0])
ids = list(test['id'])
print(len(ids))
submission_dic = {"id":ids, "Y18":predict_labels}
submission_df = pd.DataFrame(submission_dic)
submission_df.to_csv("dacon_temp_sub_01_1.csv", index=False)
결과
acc가 0.0000에 loss가 198로 폭발하는 결과가 나왔습니다.
두번째 제출
model = Sequential()
model.add(Dense(1, input_dim=5, activation='relu'))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=20, batch_size=64, validation_split=0.1)
:
predict = model.predict(X_test)
predict_labels = []
for i in range(len(predict)):
predict_labels.append(predict[i][0])
ids = list(test['id'])
print(len(ids))
submission_dic = {"id":ids, "Y18":predict_labels}
submission_df = pd.DataFrame(submission_dic)
submission_df.to_csv("dacon_temp_sub_01_2.csv", index=False)
결과
세번째 제출
model = Sequential()
model.add(Dense(1, input_dim=5, activation='relu'))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=20, batch_size=16, validation_split=0.1)
:
predict = model.predict(X_test)
predict_labels = []
for i in range(len(predict)):
predict_labels.append(predict[i][0])
ids = list(test['id'])
print(len(ids))
submission_dic = {"id":ids, "Y18":predict_labels}
submission_df = pd.DataFrame(submission_dic)
submission_df.to_csv("dacon_temp_sub_01_3.csv", index=False)
결과
1회차 결과
다음에는 상관관계가 낮았던 데이터도 활용해보고자 합니다.
읽어주셔서 감사합니다!
[공공] AI프렌즈 시즌1 온도 추정 경진대회
출처 : DACON - Data Science Competition
dacon.io
'DACON > AI프렌즈 시즌1 온도 추정 경진대회' 카테고리의 다른 글
데이콘 X AI 프렌즈 온도추정 경진대회 도전 4회차 (0) | 2020.03.17 |
---|---|
데이콘 X AI 프렌즈 온도추정 경진대회 도전 3회차 (0) | 2020.03.14 |
데이콘 X AI 프렌즈 온도추정 경진대회 도전 2회차 (0) | 2020.03.13 |
3월 공모전 데이콘 X AI프렌즈 온도추정 경진대회 도전! (0) | 2020.03.12 |
DACON AI프렌즈 시즌1 온도 추정 경진대회 데이터 이해하고 분석해보기 (feat. DACON YOUTUBE) (4) | 2020.03.09 |
Comments