‘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, 7개 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 응답을 완료하지 못했습니다. 사용자 요구와 모델의 해석이 일치하는지 다시 확인해야 합니다. 학습은 시작하지 않았습니다. 학습은 시작하지 않았으며 아직 사용할 모델이 없습니다.
ML 엔지니어 'churn' 열을 예측하는 이진 분류 계획을 세웠습니다. 등록된 과제 조건에 따라 허용 입력 열 전체(customer_id, age, plan, monthly_fee, support_calls, tenure_months)를 특징으로 사용하고 정답 열 churn은 입력에서 제외합니다. 지표는 balanced_accuracy, 분할은 iid_feature_groups_60_20_20_v1, 평가 단위는 unique_feature_group, 예측 단위는 row, 결과 제공은 model로 제안합니다. 스키마에 시간·날짜 열이 없어 '다음 달'이라는 시간 조건은 지원 정책으로 다룰 수 없으므로 IID 가정을 두고 그 한계를 명시했습니다. 다음 행동은 이 계획을 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 후보 1번을 시험했습니다. 균형 정확도 67.0%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선 t1이 확립되었고, 트리 기반 모델에 불필요한 스케일링과 고차원 원-핫 인코딩을 제거하는 것이 다음으로 합리적인 개선 방향이기 때문입니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 65.0%. 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 588원 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 64.2%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 age 31, monthly_fee 68.12, plan plus이면 결과가 어떻게 나와?
ML 엔지니어 고정된 학습 요청의 조건이 변경됐습니다. 새 작업을 만들지 않았습니다.
질문한 사람 age 31, monthly_fee 68.12, plan plus이면 결과가 어떻게 나와?
ML 엔지니어 현재 작업의 데이터·실행 근거를 다시 확인해야 합니다. 기존 기록은 보존했습니다.
질문한 사람 support_calls 7, monthly_fee 68.12, tenure_months 12이면 결과가 어떻게 나와?
ML 엔지니어 말씀하신 support_calls 7, monthly_fee 68.12, tenure_months 12를 입력값으로 읽었습니다. 나머지 입력값(age, plan)은 말하지 않으셔서 빈 값으로 처리했습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) monthly_fee=68.12, support_calls=7, tenure_months=12 → churn: yes