[회귀] 제주도 도로 교통량 예측 AI 경진대회

 

 

제주도 도로 교통량 예측 AI 경진대회

• https://dacon.io/competitions/official/235985/data

 

In [51]:

import pandas as pd

data_info = pd.read_csv('/content/data_info.csv')
data_info

 

Out[51]:

	변수명	변수 설명
0	id	아이디
1	base_date	날짜
2	day_of_week	요일
3	base_hour	시간대
4	road_in_use	도로사용여부
5	lane_count	차로수
6	road_rating	도로등급
7	multi_linked	중용구간 여부
8	connect_code	연결로 코드
9	maximum_speed_limit	최고속도제한
10	weight_restricted	통과제한하중
11	height_restricted	통과제한높이
12	road_type	도로유형
13	start_latitude	시작지점의 위도
14	start_longitude	시작지점의 경도
15	start_turn_restricted	시작 지점의 회전제한 유무
16	end_latitude	도착지점의 위도
17	end_longitude	도착지점의 경도
18	end_turn_restricted	도작지점의 회전제한 유무
19	road_name	도로명
20	start_node_name	시작지점명
21	end_node_name	도착지점명
22	vehicle_restricted	통과제한차량
23	target	평균속도(km)

 

In [52]:

train = pd.read_csv('/content/train.csv')
test = pd.read_csv('/content/test.csv')

 

In [53]:

train.head()

 

Out[53]:

	id	base_date	day_of_week	base_hour	lane_count	road_rating	road_name	multi_linked	connect_code	maximum_speed_limit	...	road_type	start_node_name	start_latitude	start_longitude	start_turn_restricted	end_node_name	end_latitude	end_longitude	end_turn_restricted	target
0	TRAIN_0000000	20220623	목	17	1	106	지방도1112호선	0	0	60.0	...	3	제3교래교	33.427747	126.662612	없음	제3교래교	33.427749	126.662335	없음	52.0
1	TRAIN_0000001	20220728	목	21	2	103	일반국도11호선	0	0	60.0	...	0	광양사거리	33.500730	126.529107	있음	KAL사거리	33.504811	126.526240	없음	30.0
2	TRAIN_0000002	20211010	일	7	2	103	일반국도16호선	0	0	80.0	...	0	창고천교	33.279145	126.368598	없음	상창육교	33.280072	126.362147	없음	61.0
3	TRAIN_0000003	20220311	금	13	2	107	태평로	0	0	50.0	...	0	남양리조트	33.246081	126.567204	없음	서현주택	33.245565	126.566228	없음	20.0
4	TRAIN_0000004	20211005	화	8	2	103	일반국도12호선	0	0	80.0	...	0	애월샷시	33.462214	126.326551	없음	애월입구	33.462677	126.330152	없음	38.0

5 rows × 23 columns

 

In [54]:

test.head()

 

Out[54]:

	id	base_date	day_of_week	base_hour	lane_count	road_rating	road_name	multi_linked	connect_code	maximum_speed_limit	...	height_restricted	road_type	start_node_name	start_latitude	start_longitude	start_turn_restricted	end_node_name	end_latitude	end_longitude	end_turn_restricted
0	TEST_000000	20220825	목	17	3	107	연삼로	0	0	70.0	...	0.0	0	산지2교	33.499427	126.541298	없음	제주은행사거리	33.500772	126.543837	있음
1	TEST_000001	20220809	화	12	2	103	일반국도12호선	0	0	70.0	...	0.0	3	중문입구	33.258507	126.427003	없음	관광단지입구	33.258119	126.415840	없음
2	TEST_000002	20220805	금	2	1	103	일반국도16호선	0	0	60.0	...	0.0	0	도순3교	33.258960	126.476508	없음	도순2교	33.259206	126.474687	없음
3	TEST_000003	20220818	목	23	3	103	일반국도11호선	0	0	70.0	...	0.0	0	아라주공아파트	33.473494	126.545647	없음	인다마을	33.471061	126.545467	없음
4	TEST_000004	20220810	수	17	3	106	번영로	0	0	70.0	...	0.0	0	부록교 시종점	33.501477	126.569223	없음	봉개교 시종점	33.496863	126.581230	없음

5 rows × 22 columns

 

In [55]:

train.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1005741 entries, 0 to 1005740
Data columns (total 23 columns):
 #   Column                 Non-Null Count    Dtype  
---  ------                 --------------    -----  
 0   id                     1005741 non-null  object 
 1   base_date              1005741 non-null  int64  
 2   day_of_week            1005741 non-null  object 
 3   base_hour              1005741 non-null  int64  
 4   lane_count             1005741 non-null  int64  
 5   road_rating            1005741 non-null  int64  
 6   road_name              1005741 non-null  object 
 7   multi_linked           1005741 non-null  int64  
 8   connect_code           1005741 non-null  int64  
 9   maximum_speed_limit    1005741 non-null  float64
 10  vehicle_restricted     1005741 non-null  float64
 11  weight_restricted      1005741 non-null  float64
 12  height_restricted      1005741 non-null  float64
 13  road_type              1005741 non-null  int64  
 14  start_node_name        1005741 non-null  object 
 15  start_latitude         1005741 non-null  float64
 16  start_longitude        1005741 non-null  float64
 17  start_turn_restricted  1005741 non-null  object 
 18  end_node_name          1005741 non-null  object 
 19  end_latitude           1005741 non-null  float64
 20  end_longitude          1005740 non-null  float64
 21  end_turn_restricted    1005740 non-null  object 
 22  target                 1005740 non-null  float64
dtypes: float64(9), int64(7), object(7)
memory usage: 176.5+ MB

 

In [56]:

test.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 291241 entries, 0 to 291240
Data columns (total 22 columns):
 #   Column                 Non-Null Count   Dtype  
---  ------                 --------------   -----  
 0   id                     291241 non-null  object 
 1   base_date              291241 non-null  int64  
 2   day_of_week            291241 non-null  object 
 3   base_hour              291241 non-null  int64  
 4   lane_count             291241 non-null  int64  
 5   road_rating            291241 non-null  int64  
 6   road_name              291241 non-null  object 
 7   multi_linked           291241 non-null  int64  
 8   connect_code           291241 non-null  int64  
 9   maximum_speed_limit    291241 non-null  float64
 10  vehicle_restricted     291241 non-null  float64
 11  weight_restricted      291241 non-null  float64
 12  height_restricted      291241 non-null  float64
 13  road_type              291241 non-null  int64  
 14  start_node_name        291241 non-null  object 
 15  start_latitude         291241 non-null  float64
 16  start_longitude        291241 non-null  float64
 17  start_turn_restricted  291241 non-null  object 
 18  end_node_name          291241 non-null  object 
 19  end_latitude           291241 non-null  float64
 20  end_longitude          291241 non-null  float64
 21  end_turn_restricted    291241 non-null  object 
dtypes: float64(8), int64(7), object(7)
memory usage: 48.9+ MB

 

In [57]:

train.isnull().sum()

 

Out[57]:

id                       0
base_date                0
day_of_week              0
base_hour                0
lane_count               0
road_rating              0
road_name                0
multi_linked             0
connect_code             0
maximum_speed_limit      0
vehicle_restricted       0
weight_restricted        0
height_restricted        0
road_type                0
start_node_name          0
start_latitude           0
start_longitude          0
start_turn_restricted    0
end_node_name            0
end_latitude             0
end_longitude            1
end_turn_restricted      1
target                   1
dtype: int64

 

In [58]:

test.isnull().sum()

 

Out[58]:

id                       0
base_date                0
day_of_week              0
base_hour                0
lane_count               0
road_rating              0
road_name                0
multi_linked             0
connect_code             0
maximum_speed_limit      0
vehicle_restricted       0
weight_restricted        0
height_restricted        0
road_type                0
start_node_name          0
start_latitude           0
start_longitude          0
start_turn_restricted    0
end_node_name            0
end_latitude             0
end_longitude            0
end_turn_restricted      0
dtype: int64

 

In [59]:

train.describe()

 

Out[59]:

	base_date	base_hour	lane_count	road_rating	multi_linked	connect_code	maximum_speed_limit	vehicle_restricted	weight_restricted	height_restricted	road_type	start_latitude	start_longitude	end_latitude	end_longitude	target
count	1.005741e+06	1.005741e+06	1.005741e+06	1.005741e+06	1.005741e+06	1.005741e+06	1.005741e+06	1005741.0	1.005741e+06	1005741.0	1.005741e+06	1.005741e+06	1.005741e+06	1.005741e+06	1.005740e+06	1.005740e+06
mean	2.021671e+07	1.192897e+01	1.835450e+00	1.049574e+02	5.120603e-04	2.593073e-01	6.126011e+01	0.0	5.639719e+03	0.0	6.169720e-01	3.338436e+01	1.265216e+02	3.338433e+01	1.265216e+02	4.281328e+01
std	4.556375e+03	6.719416e+00	6.874229e-01	1.840272e+00	2.262297e-02	5.161535e+00	1.213331e+01	0.0	1.397408e+04	0.0	1.212544e+00	1.011813e-01	1.564622e-01	1.056105e-01	1.564396e-01	1.595590e+01
min	2.021090e+07	0.000000e+00	1.000000e+00	1.030000e+02	0.000000e+00	0.000000e+00	3.000000e+01	0.0	0.000000e+00	0.0	0.000000e+00	3.324343e+01	1.261826e+02	3.000000e+00	1.261826e+02	1.000000e+00
25%	2.021110e+07	6.000000e+00	1.000000e+00	1.030000e+02	0.000000e+00	0.000000e+00	5.000000e+01	0.0	0.000000e+00	0.0	0.000000e+00	3.326422e+01	1.264220e+02	3.326459e+01	1.264220e+02	3.000000e+01
50%	2.022013e+07	1.200000e+01	2.000000e+00	1.060000e+02	0.000000e+00	0.000000e+00	6.000000e+01	0.0	0.000000e+00	0.0	0.000000e+00	3.341257e+01	1.265112e+02	3.341257e+01	1.265112e+02	4.300000e+01
75%	2.022050e+07	1.800000e+01	2.000000e+00	1.070000e+02	0.000000e+00	0.000000e+00	7.000000e+01	0.0	0.000000e+00	0.0	0.000000e+00	3.347804e+01	1.265840e+02	3.347804e+01	1.265840e+02	5.400000e+01
max	2.022073e+07	2.300000e+01	3.000000e+00	1.070000e+02	1.000000e+00	1.030000e+02	8.000000e+01	0.0	5.000000e+04	0.0	3.000000e+00	3.355608e+01	1.269309e+02	3.355608e+01	1.269309e+02	1.120000e+02

 

In [60]:

test.describe()

 

Out[60]:

	base_date	base_hour	lane_count	road_rating	multi_linked	connect_code	maximum_speed_limit	vehicle_restricted	weight_restricted	height_restricted	road_type	start_latitude	start_longitude	end_latitude	end_longitude
count	2.912410e+05	291241.000000	291241.000000	291241.000000	291241.0	291241.0	291241.000000	291241.0	291241.000000	291241.0	291241.000000	291241.000000	291241.000000	291241.000000	291241.000000
mean	2.022082e+07	11.856854	2.021371	105.245948	0.0	0.0	58.771430	0.0	3651.902033	0.0	0.634845	33.361624	126.512946	33.361651	126.512919
std	8.886111e+00	6.803378	0.750898	1.862653	0.0	0.0	11.390743	0.0	11327.618389	0.0	1.225362	0.116064	0.061478	0.116067	0.061344
min	2.022080e+07	0.000000	1.000000	103.000000	0.0	0.0	30.000000	0.0	0.000000	0.0	0.000000	33.243432	126.303780	33.243432	126.303780
25%	2.022081e+07	6.000000	1.000000	103.000000	0.0	0.0	50.000000	0.0	0.000000	0.0	0.000000	33.254214	126.476508	33.254214	126.476508
50%	2.022082e+07	12.000000	2.000000	106.000000	0.0	0.0	60.000000	0.0	0.000000	0.0	0.000000	33.272222	126.512046	33.272222	126.512046
75%	2.022082e+07	18.000000	3.000000	107.000000	0.0	0.0	70.000000	0.0	0.000000	0.0	0.000000	33.492718	126.561830	33.492718	126.561830
max	2.022083e+07	23.000000	3.000000	107.000000	0.0	0.0	80.000000	0.0	50000.000000	0.0	3.000000	33.521399	126.912948	33.521399	126.912948

 

 

• 각 피처들 하나씩살펴보기

 

 

1. base_hour 시간대

 

In [61]:

train['base_hour'].value_counts()

 

Out[61]:

13    46210
15    46074
14    45392
12    45365
19    45047
11    44632
18    44576
16    44470
10    44336
17    44251
20    43834
9     43818
21    43739
8     43250
22    42862
7     42564
6     40596
23    39238
1     38942
5     38938
2     36009
4     35209
3     33458
0     32931
Name: base_hour, dtype: int64

 

In [62]:

import seaborn as sns
base_hour = train.groupby('base_hour')['target'].mean()
print(sns.barplot(x=base_hour.index, y=base_hour.values ))

Axes(0.125,0.11;0.775x0.77)

 

 

 

• 0~5시가 가장 평균 속도가 높음(차량 수 상대적으로 ↓)
• 17~18시가 평균 속도 가장 낮음(차량 수 상대적으로 ↑)

 

 

2. lane_count 차로 수

 

In [63]:

train['lane_count'].value_counts()

 

Out[63]:

2    503246
1    333995
3    168500
Name: lane_count, dtype: int64

 

In [64]:

lane_count = train.groupby('lane_count')['target'].mean()
sns.barplot(x=lane_count.index, y=lane_count.values)

 

Out[64]:

<Axes: xlabel='lane_count'>

 

 

 

• 차로 수가 2개일 때, 평균 속도가 상대적으로 높음
• 차로 수가 3개일 때는 상대적으로 낮음

 

 

3. road_rating 도로 등급

 

In [65]:

print(train['lane_count'].value_counts())

road_rating = train.groupby('road_rating')['target'].mean()
sns.barplot(x=road_rating.index, y=road_rating.values)

2    503246
1    333995
3    168500
Name: lane_count, dtype: int64

Out[65]:

<Axes: xlabel='road_rating'>

 

 

 

• 도로등급: 103(일반 국도), 106(지방도), 107(시/군도)
• 도로 등급이 106(지방도)일 때, 평균 속도가 상대적으로 높음
• 도로 등급이 107(시/군도)일 때, 상대적으로 낮음

 

 

4. multi_linked 중용구간

 

In [66]:

train['multi_linked'].value_counts()

 

Out[66]:

0    1005226
1        515
Name: multi_linked, dtype: int64

• 중용구간이 '있음'과 '없음'이 차이가 매우 큼 >> 제거하는게 좋을 듯

 

In [67]:

train = train.drop('multi_linked', axis=1)
test = test.drop('multi_linked', axis=1)

 

 

5. connect_code 연결로 코드

 

In [68]:

train['connect_code'].value_counts()

 

Out[68]:

0      1003209
103       2532
Name: connect_code, dtype: int64

• 연결로 코드 0(없음)과 103(있음)의 차이가 매우 큼 >> 마찬가지로 제거

 

In [69]:

train = train.drop('connect_code', axis=1)
test = test.drop('connect_code', axis=1)

 

 

6. maximum_speed_limit 최대 속도 제한

 

In [70]:

train['maximum_speed_limit'].value_counts()
msl = train.groupby('maximum_speed_limit')['target'].mean()
print(msl)
sns.barplot(x=msl.index, y=msl.values)

maximum_speed_limit
30.0    32.286912
40.0    62.891462
50.0    35.484494
60.0    42.345679
70.0    41.393744
80.0    60.735043
Name: target, dtype: float64

Out[70]:

<Axes: xlabel='maximum_speed_limit'>

 

 

 

• 최대 속도 제한이 40, 80인 도로에서 평균 속도가 상대적으로 높음
• 최대 속도 제한이 30인 도로에서 상대적으로 낮음

 

In [71]:

sns.boxplot(train, x='maximum_speed_limit', y='target')

 

Out[71]:

<Axes: xlabel='maximum_speed_limit', ylabel='target'>

 

 

 

• 각 속도 제한 마다 이상치가 매우 많음

 

 

7. vehicle_restricted 통과 제한 차량

 

In [72]:

train['vehicle_restricted'].value_counts()

 

Out[72]:

0.0    1005741
Name: vehicle_restricted, dtype: int64

• 유일값이 0.0으로 1개임 >> 제거

 

In [73]:

train = train.drop('vehicle_restricted', axis=1)
test = test.drop('vehicle_restricted', axis=1)

 

 

8. weight_restricted 통과 제한 하중

 

In [74]:

print(train['weight_restricted'].value_counts())
print(train.groupby('weight_restricted')['target'].mean())

0.0        862208
43200.0     88132
32400.0     51435
50000.0      3966
Name: weight_restricted, dtype: int64
weight_restricted
0.0        40.965425
32400.0    47.475338
43200.0    57.978407
50000.0    47.077408
Name: target, dtype: float64

• 통과 제한 하중이 없을 때(0일 때) 평균 속도가 높음

 

 

9. height_restricted 통과 제한 높이

 

In [75]:

train['height_restricted'].value_counts()

 

Out[75]:

0.0    1005741
Name: height_restricted, dtype: int64

• 유일값이 0.0으로 1개임 >> 제거

 

In [76]:

train = train.drop('height_restricted', axis=1)
test = test.drop('height_restricted', axis=1)

 

 

10. road_type 도로 유형

 

In [77]:

print(train['road_type'].value_counts())
road_type = train.groupby('road_type')['target'].mean()
print(road_type)
print(sns.barplot(x=road_type.index, y=road_type.values))

0    798903
3    206838
Name: road_type, dtype: int64
road_type
0    41.167829
3    49.168775
Name: target, dtype: float64
Axes(0.125,0.11;0.775x0.77)

 

 

• 도로 유형이 3일 때 평균 속도가 상대적으로 높음

 

 

11. road_name 도로명

 

In [78]:

print(train['road_name'].value_counts())

일반국도12호선    223754
-           122069
일반국도16호선    118926
일반국도95호선     53222
일반국도11호선     45915
             ...  
애원로           1602
아봉로           1546
남조로           1509
호서중앙로          570
호근로            132
Name: road_name, Length: 61, dtype: int64

• 도로명 결측치가 569,463개 있음 >> 상당 부분을 차지하기 때문에 다른 값으로 대체 or 제거
• 일단 도로명이 결측되어있는 행의 다른 피처 값 살펴보기

 

In [79]:

miss_road = train.groupby(train['road_name'] == '-')['road_rating', 'road_type', 'weight_restricted']
miss_road.value_counts()
# road_name이 '-'인 도로의 road_rating(도로 등급)은 모두 107임
# road_type은 0이 매우 많음

<ipython-input-79-00860c2710f0>:1: FutureWarning: Indexing with multiple keys (implicitly converted to a tuple of keys) will be deprecated, use a list instead.
  miss_road = train.groupby(train['road_name'] == '-')['road_rating', 'road_type', 'weight_restricted']

Out[79]:

road_name  road_rating  road_type  weight_restricted
False      103          0          0.0                  346514
           107          0          0.0                  197799
           106          0          0.0                  151276
           103          3          43200.0               45915
                                   32400.0               34781
                                   0.0                   31157
           106          3          43200.0               25350
                                   0.0                   17710
           107          3          0.0                   14438
           106          3          32400.0               10696
           103          3          50000.0                3966
           107          3          43200.0                2349
                                   32400.0                1721
True       107          0          0.0                  103314
                        3          43200.0               14518
                                   32400.0                4237
dtype: int64

• 딱히 패턴이 발견되지 않음, 다른 값으로 대체하는 것보다 제거가 나을 듯

 

In [80]:

train = train.drop('road_name', axis=1)
test = test.drop('road_name', axis=1)

 

 

12. day_of_week 요일

 

In [81]:

train.groupby('day_of_week')['target'].mean()

 

Out[81]:

day_of_week
금    42.491549
목    42.798655
수    42.794450
월    42.748799
일    43.185277
토    42.959044
화    42.718448
Name: target, dtype: float64

• 요일에 따른 평균 속도는 거의 비슷함

 

In [82]:

#요일이랑 있음/없음으로 나눠지는 칼럼들 0,1,2,3..으로 인코딩해주기
from sklearn.preprocessing import LabelEncoder

col = ['day_of_week', 'start_turn_restricted', 'end_turn_restricted']

for i in col:
    encoder = LabelEncoder()
    encoder.fit(train[i])
    train[i] = encoder.transform(train[i])
    
for i in col:
    encoder = LabelEncoder()
    encoder.fit(test[i])
    test[i] = encoder.transform(test[i])
    
print(train[i])
print(test[i])

 

 

0          0
1          0
2          0
3          0
4          0
          ..
1005736    0
1005737    0
1005738    0
1005739    1
1005740    2
Name: end_turn_restricted, Length: 1005741, dtype: int64
0         1
1         0
2         0
3         0
4         0
         ..
291236    0
291237    0
291238    1
291239    0
291240    0
Name: end_turn_restricted, Length: 291241, dtype: int64

 

In [83]:

train.head()
train.tail()

 

Out[83]:

	id	base_date	day_of_week	base_hour	lane_count	road_rating	maximum_speed_limit	weight_restricted	road_type	start_node_name	start_latitude	start_longitude	start_turn_restricted	end_node_name	end_latitude	end_longitude	end_turn_restricted	target
1005736	TRAIN_1005736	20211015	0	22	1	103	60.0	0.0	0	명월교차로	33.398662	126.263630	0	명월하동	33.396334	126.260544	0	59.0
1005737	TRAIN_1005737	20220110	3	4	2	103	80.0	0.0	0	창흥교차로	33.508108	126.887393	0	하도입구	33.518327	126.882437	0	59.0
1005738	TRAIN_1005738	20220103	3	16	2	107	60.0	0.0	0	부동산	33.254531	126.511810	0	오름식당	33.253648	126.511497	0	21.0
1005739	TRAIN_1005739	20211229	2	9	3	103	70.0	0.0	0	인제사거리	33.507384	126.540331	1	영락교회	33.509729	126.543144	1	23.0
1005740	TRAIN_1005740	20220509	3	19	2	103	50.0	0.0	0	미수2교	33.483661	126.405096	0	미수2교	3.000000	NaN	2	NaN

 

In [84]:

test.tail()

 

Out[84]:

	id	base_date	day_of_week	base_hour	lane_count	road_rating	maximum_speed_limit	weight_restricted	road_type	start_node_name	start_latitude	start_longitude	start_turn_restricted	end_node_name	end_latitude	end_longitude	end_turn_restricted
291236	TEST_291236	20220827	5	5	1	103	80.0	0.0	0	월산마을	33.472819	126.463030	0	도근교	33.470483	126.460846	0
291237	TEST_291237	20220819	0	20	2	103	60.0	0.0	0	영주교	33.305359	126.598914	0	하례입구삼거리	33.300796	126.600332	0
291238	TEST_291238	20220805	0	11	1	107	30.0	0.0	0	마리나사거리	33.493624	126.496769	1	칠오광장사거리	33.497500	126.496946	1
291239	TEST_291239	20220812	0	7	2	107	60.0	0.0	0	국민의료보험관리공단	33.254782	126.507014	0	의료보험조합	33.255659	126.507333	0
291240	TEST_291240	20220812	0	10	3	106	70.0	0.0	0	수모루교차로	33.246996	126.524358	0	수모루	33.247053	126.523503	0

 

 

• 모델링에 필요없는 피처들 마저 제거

 

In [97]:

X_train = train.drop(['id', 'base_date', 'start_node_name', 'end_node_name', 'target'], axis=1)
y_train = train['target']
X_test = test.drop(['id', 'base_date', 'start_node_name', 'end_node_name'], axis=1)

 

In [86]:

X_train.head(3)

 

Out[86]:

	day_of_week	base_hour	lane_count	road_rating	maximum_speed_limit	weight_restricted	road_type	start_latitude	start_longitude	start_turn_restricted	end_latitude	end_longitude	end_turn_restricted
0	1	17	1	106	60.0	32400.0	3	33.427747	126.662612	0	33.427749	126.662335	0
1	1	21	2	103	60.0	0.0	0	33.500730	126.529107	1	33.504811	126.526240	0
2	4	7	2	103	80.0	0.0	0	33.279145	126.368598	0	33.280072	126.362147	0

 

 

모델 선정, 학습, 예측

 

In [99]:

#학습, 예측
import lightgbm as lgb
from lightgbm import LGBMRegressor
LR = lgb.LGBMRegressor(random_state=42).fit(X_train, y_train)
pred = LR.predict(X_test)

 

In [100]:

print(pred)
len(pred)

[26.53519443 45.14235431 60.14120439 ... 21.08211915 25.38049222
 42.19451889]

Out[100]:

291241

 

In [102]:

sample_submission = pd.read_csv('/content/sample_submission.csv')
sample_submission['target'] = pred
sample_submission.to_csv("./jeju_submit.csv", index = False)

 

In [103]:

sample_submission

 

Out[103]:

	id	target
0	TEST_000000	26.535194
1	TEST_000001	45.142354
2	TEST_000002	60.141204
3	TEST_000003	35.813601
4	TEST_000004	37.647478
...	...	...
291236	TEST_291236	45.840183
291237	TEST_291237	53.357572
291238	TEST_291238	21.082119
291239	TEST_291239	25.380492
291240	TEST_291240	42.194519

291241 rows × 2 columns

 

In [104]:

import matplotlib.pyplot as plt
from lightgbm import plot_importance

fig, ax = plt.subplots(figsize=(10,12))
plot_importance(LR, ax=ax)

 

Out[104]:

<Axes: title={'center': 'Feature importance'}, xlabel='Feature importance', ylabel='Features'>

 

 

 

시작점 위/경도, 끝지점 위/경도 피처들이 가장 높은 중요도를 갖고있음

어케 활용해야 할지 모르겠는게 이 대회에서 나의 한계...

전처리 공부를 더 해야할거같다..

 

최종 순위는 502등...