데이콘 X AI 프렌즈 온도추정 경진대회 도전 1회차

 

[공공] AI프렌즈 시즌1 온도 추정 경진대회

데이콘! 온도추정 경진대회 도전 1회차!

오늘은 저번에 분석해본 결과를 바탕으로 한번 도전해보았습니다.

DACON AI프렌즈 시즌1 온도 추정 경진대회 데이터 이해하고 분석해보기 (feat. DACON YOUTUBE)

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