아파트 실거래가로 이후 3개월의 거래가격을 예측하는 2주간의 경진대회였습니다. 건축 도메인 지식과 외부 데이터를 결합해 결측치가 많은 가격 관련 핵심 피처를 살리는 데 집중했습니다. 4인 팀에서 EDA와 파생변수, 외부 데이터 수집을 맡았고 모델 선정과 튜닝은 팀원들과 함께 진행했습니다.
도메인 지식으로 EDA 기준 세우기
연면적, 건축면적, 주차대수, 층, XY 좌표는 결측치가 많아 처음에는 제거했지만 가격을 설명하는 데 필요한 정보라고 판단해 다시 작업했습니다. 반대로 도로명과 등기신청일자처럼 매매가와 관련성이 낮은 피처는 제외했습니다. 신축 여부도 기존 15년 기준 대신 노후불량건축물 기준인 20년으로 다시 분류했습니다. 피처를 일괄적으로 줄이기보다 건축 도메인 지식으로 남길 값과 버릴 값을 구분했습니다.
QGIS에서 주소별 건축면적, 연면적, 대지면적과 대지 중앙 좌표를 추출해 원본 데이터에 연결했습니다. 이후 외부 데이터로 채우지 못한 값은 컬럼 특성에 따라 선형보간과 Iterative Imputer로 보완했습니다.
공부상 비율로 데이터 검증하기
공적장부에 기록된 용적률·건폐율을 데이터의 연면적·건축면적·대지면적으로 다시 계산한 비율과 대조했습니다. 평균층수까지 함께 확인해 값이 서로 설명되지 않는 행은 이상치로 분류하고, 해당 값을 제거한 뒤 다시 보간해 보정했습니다. 모델을 바꾸기 전에 건축 도메인에서 사용하는 파생변수인 용적율, 건폐율 등을 활용하여 추가적인 이상치를 찾아내는 접근이였습니다.
점수 변화
RMSE는 초기 5894.0에서 1차 EDA 후 5326.6, 외부 데이터로 결측치를 보완한 뒤 4922.5로 낮아졌습니다. 트리 1,000개, 깊이 10의 XGBoost는 3850.0을 기록했고, 이후 기준금리와 평형 분류를 함께 추가한 실험에서는 3761.9까지 낮아졌습니다. 대회 최종 순위는 1위였습니다.