‘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 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 정답 열과 지표, 평가 분할, 결과 제출은 호스트가 연결하며, 저는 지원되는 런타임 정책(tabular-epoch-engineering-v1) 안에서 입력·예측 단위·평가 단위·전달 방식을 제안합니다. 다음 행동은 이 결정 내용을 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 66.2%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 변수를 순서형 코드로만 처리해 비단조 신호를 놓칠 수 있습니다. 원-핫 인코딩과 정규화 선형 모델로 표현 가설을 바꿔 검증합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 72.1%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델은 원-핫 인코딩에 선형 로지스틱 회귀를 사용해 0.7213을 기록했습니다. 같은 원-핫 표현 위에서 비선형 트리 앙상블로 용량을 높이면 상호작용 신호를 더 잡을 수 있는지 검증하는 실험이 남은 예산 안에서 정당화됩니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 62.7%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 정해진 시도 횟수를 모두 썼습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 73.6%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 73.6%입니다. 균형 정확도는 클래스별로 맞힌 비율의 평균이라, 떠난 고객과 남은 고객을 비슷한 비중으로 봤을 때의 정확도입니다. 이 점수에 가장 크게 기여한 입력은 상담 횟수(support_calls)로, 이 값을 섞었을 때 개발 데이터 점수가 18.4%p 떨어졌고, 재직 개월 수(tenure_months)는 4.6%p, 요금제(plan)는 1.7%p 떨어졌습니다. 다만 영향이 크다고 해서 그것이 원인이라는 뜻은 아닙니다.
질문한 사람 어떤 항목이 결과에 가장 큰 영향을 줬어?
ML 엔지니어 결과에 가장 큰 영향을 준 항목은 상담 횟수(support_calls)로, 이 값을 섞었을 때 개발 데이터의 균형 정확도가 18.4%p 떨어졌습니다. 다음은 재직 개월 수(tenure_months) 4.6%p, 요금제(plan) 1.7%p 순이고, 나이(age)는 0.2%p, 월 요금(monthly_fee)은 0.0%p로 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 원인이라는 뜻은 아닙니다.
질문한 사람 support_calls 7, tenure_months 30, plan basic이면 결과가 어떻게 나와?
ML 엔지니어 support_calls 7, tenure_months 30, plan basic으로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) plan=basic, support_calls=7, tenure_months=30 → churn: yes
질문한 사람 이 모델 믿고 써도 돼?
ML 엔지니어 최종 확인 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 73.6%이고, 후보 t2는 에이전트가 만든 후보입니다. 다만 이 점수는 개발 데이터 239건에서 측정한 것이라 실제 운영 성능을 보장하지는 않습니다. 상담 횟수(support_calls)처럼 영향이 큰 항목이 있어도 그것이 원인이라는 뜻은 아니므로, 중요한 결정에는 사람의 확인을 함께 두는 편이 안전합니다.
질문한 사람 더 좋게 만들 수 있어?
ML 엔지니어 이 대화에서는 재학습이나 새 평가를 바로 실행할 수 없습니다. 다만 왼쪽 '+ 새 작업'으로 다른 데이터 파일을 올리면 새 모델을 만들어 볼 수 있고, 이미 쓴 같은 파일은 평가 데이터가 섞이지 않도록 새 작업에 다시 쓸 수 없습니다. 지금 후보 t2는 개발 데이터 239건에서 균형 정확도 72.1%였고, 최종 확인 점수는 학습에 쓰지 않은 데이터 239건에서 73.6%였습니다.
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 입력하거나 JSON, 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 수도 있습니다.