대회 기록으로 EDA → 전처리 → 군집 → 회귀 → 분류까지 수행한 정형 데이터 ML 분석 프로젝트
전반 = 1-4구간, 후반 = 5-8구간 (1구간 = 1km 런 + 운동 스테이션 1개 + 전환 구간, 자세한 내용은 HYROX 경기 구성 참고)
원본: 92,374행 × 34열, 시즌 S4-S6
입력은 1-4구간, 예측 대상은 5-8구간으로 나누어 겹침 없음 확인
기술
활용
pandas
시간 문자열 변환, 집계, 전처리 기준 적용
scikit-learn
K-Means·실루엣 점수(군집), 선형·릿지 회귀·랜덤 포레스트(회귀), 로지스틱 회귀·랜덤 포레스트(분류)
matplotlib
분포·구간별 비교·군집·오차·혼동행렬 시각화
역량
내용
평가 설계
시즌 단위 학습·시험 분할, 시즌 교차 검증으로 모델 선택, 시험 데이터 1회 사용
데이터 누수 점검
입력(1-4구간)·예측 대상(5-8구간) 분리, 구간 합계 일치 확인
기준선 비교
모든 모델을 단순 계산 결과와 비교하고 개선 폭 그대로 기록
결과 안정성 확인
표본 크기·초기화 횟수를 바꿔 군집 결과 재확인
분석 기록
제외 기준별 영향 건수, 근거 없이 정한 값, 단계별 한계 명시
도메인 기반 문제 정의
대회 참가 경험에서 나온 질문을 데이터로 검증
01 EDA ──▶ 02 전처리 ──▶ 03 군집
├──▶ 04 회귀
└──▶ 05 분류
단계
내용
01 EDA
완주 시간 분포와 구간별 기록으로 데이터 구조 파악
02 전처리
중복·0초 구간·이상 기록의 제외 기준 수립
03 군집
후반 감속 정도와 시간 배분으로 선수 경향 구분
04 회귀
전반 기록으로 후반 소요 시간 예측
05 분류
전반 기록으로 완주 시간 등급 예측
전반 = 1-4구간, 후반 = 5-8구간 (1구간 = 1km 런 + 운동 스테이션 1개 + 전환 구간, 자세한 내용은 HYROX 경기 구성 참고)
후반 감속 비율
하위 5%
하위 25%
중앙값
상위 5%
값
0.995
1.070
1.114
1.291
의미
약 95%가 같거나 느림
75%가 7% 이상 느림
절반이 11% 이상 느림
5%가 29% 이상 느림
후반 감속 비율 = 5-8구간 런 평균 ÷ 1-4구간 런 평균 (1보다 크면 후반이 느림)
런 중앙값: 1구간 4:31이 최단, 8구간 6:14가 최장
2. 차이는 느려지는지가 아니라 얼마나 느려지는지에서 발생
군집
기록 수 (건)
후반 감속 비율 (중앙값)
완주 시간 중앙값 (분)
1
29,369
1.092
84.0
2
23,448
1.120
90.0
3
7,069
1.271
103.2
런 시간 비중·후반 감속 비율로 K-Means (k=3), 실루엣 0.353
감속이 가장 큰 군집 3의 완주 시간이 가장 김
3. 전반 기록으로 후반 소요 시간 예측 가능, 단 단순 계산 대비 개선 폭은 작음
시험 데이터(S6)
MAE (분)
R²
기준선: 1-4구간 합 × 비율
3.36
0.77
랜덤 포레스트 (선택)
2.99
0.80
4. 완주 시간 등급 분류 오답은 대부분 인접 등급
시험 데이터(S6)
정확도
매크로 F1
기준선: 1-4구간 합으로 완주 시간 환산
0.732
0.759
로지스틱 회귀 (선택)
0.822
0.827
오답 2,843건 중 2,836건이 한 등급 차이, 두 등급 차이는 7건
HYROX 대회 참가 경험에서 출발
참가 당시 "후반에 느려지는 사람이 많아 체력 배분이 중요하다"는 이야기를 자주 접함
구간별 기록이 모두 남아 있는 공개 데이터를 발견
핵심 질문: 후반에 느려지는 선수가 정말 많은가, 많다면 얼마나 느려지는가
1km 달리기(런)와 운동 스테이션을 번갈아 8회 반복하는 피트니스 대회
런 1km → 운동 스테이션 1 → 런 1km → 운동 스테이션 2 → … → 운동 스테이션 8 → 결승
운동 스테이션 순서
스키에르그 → 슬레드 푸시 → 슬레드 풀 → 버피 브로드 점프 → 로잉 → 파머스 캐리 → 샌드백 런지 → 월볼
록스존(Roxzone): 런과 운동 스테이션 사이를 이동하는 전환 구간
이 분석에서 1구간 = 런 1회 + 운동 스테이션 1개 + 록스존 1회
8구간 × 3종류 = 기록 열 24개
8구간 록스존은 마지막 스테이션 뒤가 바로 결승선이라 모든 기록이 0초 → 실제 분석 대상은 23개
부문
오픈 싱글: 일반 개인 부문
프로 싱글: 운동 스테이션 무게가 더 무거운 개인 부문
출처: Kaggle Hyrox Race Results (jgug05), CC BY 4.0
원본: 92,374행 × 34열, 시즌 4-6 (S4-S6)
분석 범위: 오픈 싱글·프로 싱글 부문 61,832건
2인(더블)·4인 릴레이 등 경기 형식이 다른 부문 제외
분석 데이터: 전처리 후 59,886건 (오픈 싱글 49,041건, 프로 싱글 10,845건)
행의 의미: 1회 완주 기록
선수 식별 열이 없어 같은 선수의 기록인지 구분 불가
평가 설계
원본이 대회 단위로 묶여 있어 앞에서부터 자르지 않고 시즌으로 분할 (학습: 시즌 4·5, 시험: 시즌 6)
모델 선택은 학습 데이터 안의 시즌 교차 검증(S4→S5, S5→S4)으로 수행
시즌 6은 선택한 모델과 기준선 평가에 한 번만 사용
데이터 누수 점검
입력은 1-4구간, 예측 대상은 5-8구간으로 나누어 겹침 없음 확인
완주 시간 = 런 + 운동 스테이션 + 록스존 합이 모든 기록에서 일치 (불일치 0건)
기준선 비교
모든 모델 점수를 단순 계산 결과(기준선)와 함께 제시
결과 안정성 확인
실루엣 계산 표본 크기(5천·1만·2만 건), K-Means 초기화 횟수(n_init 1·10·30)를 바꿔 군집 결과 재확인
분석 기록
전처리 제외 기준마다 영향 건수 기록
scikit-learn 기본값 사용, 근거 없이 정한 값(random_state=42, 등급 경계, 이상 기록 5배 기준 등)은 노트북에 명시
결과에는 확인한 값만, 해석과 한계는 별도 기록
01 EDA: 완주 시간과 구간별 기록 — 펼쳐서 확인
완주 시간 중앙값 87.7분 (오픈 싱글 89.0분, 프로 싱글 82.7분)
프로 싱글이 빠른 쪽에 위치, 오픈 싱글은 느린 쪽 꼬리가 더 김
두 분포는 넓게 겹침
구간 중앙값 합계: 런 43.5분 > 운동 스테이션 36.2분 > 록스존 6.4분
런이 운동 스테이션보다 오래 걸린 구간: 8개 중 7개
02 전처리: 제외 기준과 영향 — 펼쳐서 확인
61,832 → 59,886건 (-1,946건, 3.1%)
런 구간 하나가 해당 구간 중앙값의 5배 이상인 38건 제외
가장 긴 구간이 8구간인 경우가 27건으로 가장 많음
5배 기준은 분포에 뚜렷한 경계가 없어 판단으로 정한 값
완주 시간 중앙값 87.7 → 87.9분
완주 시간 최솟값 0.0 → 54.1분
03 군집: 군집 수 선택과 프로파일 — 펼쳐서 확인
k=2-5 중 실루엣 최대 k=3 (0.353), 관성 감소 폭도 k=2→3이 가장 큼
군집
기록 수 (건)
런 시간 비중
후반 감속 비율
완주 시간 중앙값 (분)
1
29,369
0.521
1.092
84.0
2
23,448
0.474
1.120
90.0
3
7,069
0.511
1.271
103.2
런 시간 비중 = 런 시간 합 ÷ 완주 시간
후반 감속 비율은 노트북의 "후반 런 하락"과 같은 값
세 군집은 이어진 한 덩어리 분포를 나눈 것으로, 뚜렷이 떨어진 군집은 없음
완주 시간은 군집 입력에 쓰지 않고 군집 정렬과 비교에만 사용
04 회귀: 모델 비교와 오차 분석 — 펼쳐서 확인
입력: 1-4구간의 런·운동 스테이션·록스존 기록 12개
예측 대상: 5-8구간 소요 시간 합 (8구간 록스존 제외 11개 구간)
시험 데이터(S6)
MAE (분)
R²
기준선: 학습 데이터 평균
7.16
-0.01
기준선: 1-4구간 합 × 비율
3.36
0.77
랜덤 포레스트 (선택)
2.99
0.80
랜덤 포레스트가 검증 두 방향 모두 MAE 최소
단, 선형 모델과의 차이는 0.06-0.13분
오차(예측 − 실제) 평균 -0.13분, 오차 절대값 중앙값 2.14분
5-8구간 소요 시간이 긴 상위 25%의 MAE 5.01분으로 가장 큼 (하위 25%는 1.94분)
05 분류: 완주 시간 등급 (70-80 / 80-90 / 90-100분) — 펼쳐서 확인
입력: 1-4구간 기록 12개
예측 대상: 완주 시간 3등급
시험 데이터(S6)
정확도
매크로 F1
기준선: 가장 많은 등급으로 일괄 예측
0.402
0.191
기준선: 1-4구간 합으로 완주 시간 환산
0.732
0.759
로지스틱 회귀 (선택)
0.822
0.827
오답 2,843건 중 2,836건이 한 등급 차이
두 등급 차이는 7건
후반 감속의 원인(피로, 페이스 배분, 직전 운동 스테이션 영향 등)은 이 데이터로 확인 불가
회귀: 랜덤 포레스트와 선형 모델의 차이(0.06-0.13분)가 작고 검증이 2회뿐이라 의미 있는 차이인지 구분 불가
분류: 등급(완주 시간)에 입력(1-4구간 기록)이 포함되어 점수가 높게 나올 수 있음
분류: 오픈·프로 싱글의 운동 스테이션 무게 차이가 데이터에 없어, 같은 시간이라도 부문 간 의미가 다를 수 있음
군집: 실루엣 0.353으로 경계가 뚜렷하지 않아 유형이 아닌 경향 수준의 구분
전처리: 이상 기록 38건을 제외한 결과와 유지한 결과는 비교하지 않음
모델 설정: scikit-learn 기본값만 사용
선수 식별 열이 없어 학습·시험 데이터에 같은 선수가 있는지 확인 불가
시즌 4-6 데이터라 최신 경향은 반영하지 못함
정형 데이터 ML 분석 전 과정을 처음부터 끝까지 직접 수행
EDA → 전처리 → 군집 → 회귀 → 분류를 하나의 데이터셋으로 진행
과정에서 체감한 점
데이터를 어떻게 나누느냐(시즌 단위 분할)에 따라 평가 결과가 달라짐
모델 점수는 단순 기준선과 비교해야 의미가 생김
conda create -n hyrox-analysis python=3.12
conda activate hyrox-analysis
pip install pandas==3.0.6 scikit-learn==1.9.1 matplotlib==3.11.2 openpyxl==3.1.5 jupyter ipykernel
노트북은 앞 단계의 저장 파일을 읽으므로 01부터 순서대로 실행
순서
노트북
읽는 파일
저장하는 파일
1
01
data/hyrox_results.xlsx
data/hyrox_results.csv
2
02
data/hyrox_results.csv
data/hyrox_clean.csv
3-5
03, 04, 05
data/hyrox_clean.csv
없음
경로는 notebooks/ 폴더 기준 상대 경로(../data/)
그래프 한글 폰트는 Malgun Gothic(Windows 기준)
macOS·Linux에서는 각 노트북 첫 코드 셀의 plt.rc("font", family=...)를 설치된 한글 폰트로 변경
hyrox-analysis/
├── notebooks/ # 01-05 분석 노트북
├── docs/
│ └── glossary.md # 용어 정리
├── images/ # README용 그래프
├── data/ # Git 제외, 직접 준비
└── README.md
Kaggle, Hyrox Race Results (jgug05), CC BY 4.0
데이터의 운동 스테이션 기록은 work_1-work_8 번호로만 구분되어 있어, 종목 이름은 HYROX 공개 규격의 순서를 적용