‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지…

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지 알고 싶어

대화

ML 엔지니어 1,200행, 8개 항목을 읽었습니다. 답의 기준은 ‘churn’ 열로 잡았습니다. 아래에서 맞는지 확인해 주세요.
질문한 사람 ‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지 알고 싶어
ML 엔지니어 'churn' 열을 예측하는 분류 작업으로 계획했습니다. 등록된 과제 조건에 따라 정답 열 churn, 지표 balanced_accuracy, 입력은 전체 허용 입력 열, 결과 제공은 model로 제안합니다. 다음 행동은 이 결정을 DECISION.json에 기록하는 것입니다.
ML 엔지니어 첫 모델을 만듭니다. 여러 방법을 시험해 가장 나은 것을 고르고, 마지막에 처음 보는 데이터로 한 번 더 확인합니다.
ML 엔지니어 하네스 기본 후보를 시험했습니다. 균형 정확도 68.0%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 열을 단순 순번 코드로 처리하고 고정 설정만 사용하므로, 범주형 처리를 개선하고 소수의 정규화·학습률 설정을 조정한 모델을 같은 조건에서 비교해 보겠습니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 65.9%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 점수가 오르지 않아 방향을 다시 봅니다. 같은 방향을 반복하지 않고, 남은 예산으로 다른 방법을 시험할지 지금까지 가장 좋은 후보로 마칠지 정합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트가 후보 2개를 시험한 뒤 더 시험하지 않기로 했습니다(최대 3개). 남은 예산 672원 중 40원을 최종 확인에 씁니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 74.0%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 왜 이 점수가 나왔어?
ML 엔지니어 최종 확인 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 74.0%입니다. 균형 정확도는 클래스별로 맞힌 비율의 평균이라, 떠난 고객과 남은 고객을 비슷한 비중으로 봤을 때의 정확도입니다. 이 점수는 하네스가 만든 기본 모델을 최종 후보로 골라 처음 보는 데이터로 확인한 결과입니다. 어떤 항목이 결과에 영향을 줬는지는 개발 데이터에서 항목 값을 섞었을 때 점수가 얼마나 떨어지는지로 보면, support_calls가 9.3%p, tenure_months가 4.3%p, age가 2.6%p, monthly_fee가 2.0%p 순으로 컸고 plan과 data_usage_gb는 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 원인이라는 뜻은 아닙니다.
질문한 사람 어떤 항목이 결과에 가장 큰 영향을 줬어?
ML 엔지니어 개발 데이터에서 항목 값을 섞었을 때 점수가 가장 크게 떨어진 항목은 support_calls로 9.3%p였고, 그다음이 tenure_months 4.3%p, age 2.6%p, monthly_fee 2.0%p 순이었습니다. plan과 data_usage_gb는 각각 -1.0%p, -1.2%p로 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 원인이라는 뜻은 아닙니다.
질문한 사람 support_calls 5, tenure_months 50, age 78이면 결과가 어떻게 나와?
ML 엔지니어 support_calls 5, tenure_months 50, age 78으로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) age=78, support_calls=5, tenure_months=50 → churn: yes
질문한 사람 이 모델 믿고 써도 돼?
ML 엔지니어 최종 확인 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 74.0%이고, 이는 하네스가 만든 기본 모델을 최종 후보로 골라 확인한 결과입니다. 다만 이 점수는 개발 데이터 239건에서 항목 값을 섞었을 때 support_calls가 9.3%p, tenure_months가 4.3%p만큼 점수가 떨어질 만큼 일부 항목에 크게 기대고 있어, 비슷한 고객 분포에서만 참고하는 편이 안전합니다. 영향이 크다고 해서 그것이 원인이라는 뜻은 아니며, 이 대화에서 재학습이나 새 평가는 바로 실행되지 않습니다. 다른 데이터 파일로 새 작업을 만들어 다시 확인해보는 방법을 제안할 수 있습니다.
질문한 사람 더 좋게 만들 수 있어?
ML 엔지니어 이 대화에서는 재학습이나 새 평가가 바로 실행되지 않아서 지금 모델을 더 좋게 바꿀 수는 없습니다. 다만 왼쪽 '+ 새 작업'으로 다른 데이터 파일을 쓰면 새 모델을 만들 수 있고, 이미 쓴 같은 파일은 평가 데이터가 섞이지 않도록 다시 쓸 수 없습니다. 참고로 현재 최종 후보는 하네스가 만든 기본 모델이고, 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도(클래스별로 맞힌 비율의 평균)는 74.0%입니다.
질문한 사람 결과를 엑셀로 받을 수 있어?
ML 엔지니어 엑셀 파일로 바로 내보내는 기능은 없습니다. 대신 대화 아래 '보관된 모델' 카드의 '예측해보기'에서 한 건 직접 입력, JSON, 또는 CSV·JSON 파일(최대 100건, 2MB)로 예측하고 결과를 표로 볼 수 있습니다. 같은 카드의 '모델·소스 받기'로 학습된 전처리·모델 파일과 학습 소스, 실행 안내를 zip으로 내려받을 수 있습니다.