ML 모델링 (Attention 예측 - K-EmoPhone 기반)

📚 참고 및 데이터 출처

본 프로젝트는 KAIST에서 제공하는 K-EmoPhone 데이터셋을 기반으로 집중도 예측 모델을 구축하였습니다.
해당 데이터셋은 스마트폰 및 웨어러블 센서를 통해 수집된 생체 및 행동 데이터를 포함하며, 정량적 감정 분석 및 맥락 기반 개인 상태 추론 연구를 위해 제공되었습니다.

KAIST, https://emopark.kaist.ac.kr/k-emophone/

📦 사용 데이터

• 데이터셋: K-EmoPhone (attention 라벨 포함)
• 형태: attention.pkl 파일에서 로드된 feature matrix (X), label (y), 그룹 정보 (group), 시간 정보 (t)

⚙️ 주요 처리 과정

1. 피처 구성:

   • 시계열 및 ESM 기반의 다양한 통계 피처 포함 (예: bpm#AVG#60, EDA#TSC#120, ESM#HRN=EVENING 등)
   • 범주형 피처와 수치형 피처 구분하여 관리

2. 모델 정의 및 실험 세팅:

   • 사용 모델:
     • LogisticRegression (L1)
     • RandomForestClassifier
     • LightGBMClassifier
     • VotingClassifier (Logreg + RF + LGBM)
     • EvXGBClassifier (커스텀)
   • 모든 모델은 SelectFromModel(LinearSVC) 기반 feature selection을 적용
   • StratifiedGroupKFold (5-fold) 방식으로 교차검증 수행

3. 병렬 처리:

   • ray를 활용한 병렬 학습 (on_ray(num_cpus=12))

🧠 주요 모델 예시: LightGBM

LGBMClassifier(
    random_state=42,
    learning_rate=0.03,
    max_depth=5,               
    num_leaves=31,              
    min_child_samples=10,     
    reg_alpha=2.0,
    reg_lambda=2.0,
    subsample=0.8,
    colsample_bytree=0.8,
    n_estimators=100,
    importance_type='gain',
    verbosity=-1               
)

💾 출력 결과

• eval/attention/ 경로에 각 모델의 평가 결과 저장
• 최종적으로 .pkl 형식의 모델 객체를 export하여 추론 API 또는 대시보드에서 사용 가능

✅ 예측 대상

• 이진 분류 (attention_bin) : 집중 / 비집중 상태
• y 라벨 예시: array([0, 1, 1, 0, ...])

---

📁 참고 파일: ml_model.ipynb

---