서울 전세 보증금 예측
130만 건 거래 데이터로 회귀 모델을 만들어 교내 데이터 사이언스 해커톤 우승
"숙달된 데이터 사이언스 학과 학생들을 상대로 AI를 활용해 이길 수 있는가?" 도메인 지식이 전무한 상태에서 참가해, CV RMSE·발표·인사이트 세 축 모두에서 좋은 평가를 받고 우승했습니다.
Long story short
저에게 이 대회는 '처음 마주친 도메인을 나만의 프로세스로 이해할 수 있는가'의 시험대였습니다. 문제 정의 → 기획 → 구현의 순서를 지켰습니다. 주최 측 데이터와 문제를 전부 AI에 넣고 정리한 md를 두세 번 읽어 마스터 문제와 파생 문제를 잡고, 어떤 모델·몇 fold·어떤 변수가 중요한지 AI와 발산·수렴을 반복해 계획을 하나로 모은 뒤, 구현은 AI가 만들고 제가 검토했습니다.
차별점은 데이터를 오래 들여다본 데서 나왔습니다. train Y의 99.5% 분위가 정확히 58,000만원, area 99.7% 분위가 test의 max와 소수점까지 일치했습니다. 운영진이 넣은 노이즈 패턴이었고, 분위수 기준으로 정밀 절단해 97.3%를 보존했습니다. 같은 동 안에서도 도로명별 분산이 동 전체 분산의 71%라는 것도 발견해, Bayesian smoothing을 건 road_mean_Y_smooth가 Feature Importance 1위가 됐습니다.
누수는 원천 차단했습니다. 모든 target encoding은 5-Fold OOF, 시계열 변수는 shift(1) 후 rolling, unseen 카테고리는 global mean fallback. LightGBM·XGBoost·CatBoost를 로그 공간에서 0.55 / 0.30 / 0.15로 가중 앙상블해 단독 최고 모델 대비 개선했고, 폴드 간 변동은 1% 이내였습니다.
한 일
도구
발표 슬라이드 11장
정제 · 도로명 · 교호작용 · OOF — 네 기둥의 설계.
인사이트 8가지
50개 인사이트를 명제 + 정량 근거 형식으로 정리했고, 그중 발표에 올린 것들입니다.
- 노이즈는 분위수 절단선에 있었다 — Y 99.5% / area 99.7%
- 가격은 동이 아니라 도로명에서 결정된다 — 분산의 71%
- 강남 프리미엄은 1.13배에 불과 (5.8억 캡 후)
- 작은 평수가 ㎡당 1.54배 비싸다 — 역원룸 효과
- 역세권 임계점은 500m, 300m 이내는 소음 디스카운트
- 연립다세대가 금리에 가장 민감 — 1%p당 −23%
- 마포 스타벅스 역설 — 많을수록 가격이 낮다, 서울 평균과 반대
카테고리별로 가격을 만드는 변수가 다르다
아파트·오피스텔·연립다세대의 결정 메커니즘을 교호작용 변수 5개로 차등 학습했습니다.
- 아파트 — 면적·Y 상관 0.541, 금리 1%p 영향 −13.1%
- 오피스텔 — 0.479, −16.3%, 신축 여부
- 연립다세대 — 0.287, −23.1%, 건물나이·동 위치
- age_x_type, floor_x_type, station_prox_x_type 등 교호작용 5개
소셜에서 만나요
이호성 — AI Product Builder