본문으로 건너뛰기
AI Trends
피드
트렌딩
커뮤니티
탐색
보관함
로그인
홈
트렌딩
커뮤니티
보관함
프로필
관련 기사 바로가기
제스처 분류 모델 최적화 워크플로 공유. 이 글은 동적 JSON에서 중요도 0인 특성을 자동으로 제거하고 성능 지표 기반으로 모델을 개선해나가는 실전 흐름을 다루고 있다. 작성자는 혼동 행렬과 F1 점수 분석을 통해 취약 클래스를 식별한 뒤 XGBoost, LightGBM, Random Forest를 소프트 보팅으로 결합해 F1 0.898 이상을 목표로 삼았다.
Karpathy의 AutoResearch에서 영감을 받은 정형 데이터 실험 자동화 ML 에이전트 구축기
Ubiquant 시장 예측 경진대회 6위 솔루션 발표 - Vladimir Artus
OTTO 다중 목적 추천 시스템 경진대회 1위 솔루션 발표
XGBoost 및 LightGBM을 위한 진화적 하이퍼파라미터 최적화 도구 'Heosphoros' 공개
Foursquare 위치 매칭 경진대회 2위 솔루션: Team 2:30의 접근 방식
Kaggle Learning Equality 대회 우승 솔루션: 다국어 교육 커리큘럼 자동 정렬 시스템
Home Credit 신용 위험 모델 안정성 경진대회 우승 솔루션: DebtCollectors 팀의 접근법
하이퍼파라미터 튜닝 없는 Rust 기반 GBM 라이브러리 'Perpetual' v1.2 업데이트
← 피드로 돌아가기
LightGBM
Libraries (AI 라이브러리)
약 20개 아티클
관련 태그:
Best Practice
XGBoost
Ubiquant Market Prediction
ICLR
Transformer
Ubiquant
Ensemble Methods
Kaggle
CatBoost
RDKit
