‘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 요청 원문으로 확인되지 않은 해석이 있어, 확인된 내용만 남겨 다시 정리하고 있습니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 'churn' 열을 예측하는 이진 분류 작업으로 계획합니다. 등록된 과제 조건에 따라 전체 안전 입력 열을 사용하고, 정답 열은 churn, 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'은 현재 분포 기준 예측으로 해석하며, 실제 시간 순서 의존성이 있으면 한계가 있습니다. 추가로 확인할 사용자 조건은 없습니다.
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 65.1%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 판단 형식을 바로잡습니다. 에이전트가 낸 판단이 형식 검증을 통과하지 못해, 무엇이 틀렸는지 알려주고 한 번 다시 쓰게 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 열을 순서형 코드로만 처리하고 고정 설정을 씁니다. 원-핫 인코딩과 소규모 하이퍼파라미터 탐색으로 이탈 예측 성능을 높여보겠습니다.
ML 엔지니어 학습 코드가 실행 중 오류를 냈습니다. 기록은 남겨 두고, 고칠 수 있는 오류인지 확인합니다. 아직 점수는 없습니다.
ML 엔지니어 에이전트가 오류를 고칩니다. 오류 내용을 보고 코드를 다시 써서 같은 조건으로 다시 시험합니다. 예산과 평가 방식은 그대로입니다.
ML 엔지니어 학습 코드가 실행 중 오류를 냈습니다. 기록은 남겨 두고, 고칠 수 있는 오류인지 확인합니다. 아직 점수는 없습니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 오류 수정은 한 번까지라 시험을 멈췄습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 65.2%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 놓치는 고객을 더 줄여줘
ML 엔지니어 놓치는 고객을 줄이는 방향으로 개선을 시도합니다. 하네스가 만든 기본 모델은 범주형 열을 순서형 코드로만 다루고 고정 설정을 썼으니, 범주형 상호작용을 더 잘 살리는 인코딩과 클래스 불균형에 맞춘 조정을 시도합니다. 같은 평가 데이터를 두 번 쓰지 않도록 최종 점수는 다시 재지 않고, 새 후보는 개발 데이터로만 비교합니다. 개선 시도를 시작했습니다. 새 후보를 만들어 개발 데이터로 비교한 뒤 결과를 여기에 알려드립니다.
ML 엔지니어 개선 후보 4번을 만듭니다. 요청: 범주형 열의 인코딩을 개선하고 클래스 불균형에 맞춘 임계값·하이퍼파라미터 조정으로 놓치는 고객(거짓 음성)을 줄이는 후보를 만들어 개발 데이터로 비교해 달라
ML 엔지니어 개선 후보 4번을 시험했습니다. 개발 점수 62.5% (-2.6%p) · 기존 모델보다 낫지 않습니다.
ML 엔지니어 개선 후보 5번을 만듭니다. 요청: 범주형 열의 인코딩을 개선하고 클래스 불균형에 맞춘 임계값·하이퍼파라미터 조정으로 놓치는 고객(거짓 음성)을 줄이는 후보를 만들어 개발 데이터로 비교해 달라
ML 엔지니어 개선 후보 5번을 시험했습니다. 개발 점수 64.3% (-0.7%p) · 기존 모델보다 낫지 않습니다.
ML 엔지니어 새 후보 2개를 시험했지만 선택된 모델의 개발 점수 65.1%보다 나은 것이 없어 기존 모델을 그대로 둡니다. 최종 점수는 원래 모델의 1회 측정값(65.2%)을 그대로 둡니다.
질문한 사람 나이 34살, basic 요금제, 월 29.9, 상담 5번, 가입 3개월 고객은 떠날까?
ML 엔지니어 나이 34, basic 요금제, 월 29.9, 상담 5번, 가입 3개월로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) age=34, monthly_fee=29.9, plan=basic, support_calls=5, tenure_months=3 → churn: yes
질문한 사람 개선된 모델은 뭐가 달라졌어?
ML 엔지니어 개선 후보 2개(t4, t5)를 시험했지만 개발 점수가 각각 62.5%, 64.3%로 기존 모델의 65.1%보다 낮아, 최종적으로는 하네스가 만든 기본 모델(t1)이 그대로 선택됐습니다. 즉 개선된 모델로 바뀐 것이 아니라 기존 모델이 유지됐습니다. 참고로 최종 점수는 65.2%(균형 정확도 = 클래스별로 맞힌 비율의 평균)입니다.