‘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. 정답 열은 churn이며, 고객 식별자 customer_id는 특징에서 제외하고 나머지 안전한 입력 열 전체를 사용합니다. 예측 단위는 고객 한 행(row)이고, 평가 단위는 동일 특징 그룹(unique_feature_group)으로 두어 누수를 방지합니다. 지표는 클래스 불균형을 반영하는 balanced_accuracy를 제안하며, 분할은 지원되는 IID 특징 그룹 60/20/20 정책을 사용합니다. 스키마에 시간·날짜 열이 없어 시간 순서 의존성은 해결하지 못한다는 한계를 가정에 기록합니다. 다음 단계는 이 계획을 실행 가능한 학습 작업으로 넘기는 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 68.7%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 plan을 순서형 코드로만 처리해 선형 위험 신호를 놓칠 수 있습니다. 원-핫 인코딩과 정규화 로지스틱 회귀로 다른 가설을 검증합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 72.0%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델은 선형 로지스틱 회귀(t2, 0.7203)입니다. 같은 전처리를 유지한 채 비선형 트리 모델로 가설 계열을 바꿔 상호작용 효과를 검증하고, 개선이 없으면 t2를 최종 후보로 유지합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 71.3%. 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 73.7%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 왜 이 점수가 나왔어?
ML 엔지니어 최종 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 73.7%입니다. 균형 정확도는 클래스별로 맞힌 비율의 평균이라, 떠난 고객과 남은 고객을 얼마나 고르게 맞혔는지를 보여줍니다. 이 모델은 하네스가 만든 기본 모델(t1, 68.7%)이 아니라 에이전트가 만든 후보(t2)이고, 개발 데이터에서는 72.0%였습니다. 어떤 항목이 결과에 영향을 줬는지 보면 support_calls를 섞었을 때 개발 점수가 10.9%p, tenure_months는 7.7%p 떨어졌고, monthly_fee(0.2%p), age(-0.3%p), plan(-0.6%p)은 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 원인이라는 뜻은 아닙니다.
질문한 사람 어떤 항목이 결과에 가장 큰 영향을 줬어?
ML 엔지니어 개발 데이터에서 항목을 하나씩 섞어 점수가 얼마나 떨어지는지 본 기록이 있습니다. support_calls를 섞었을 때 10.9%p, tenure_months는 7.7%p 떨어져 이 두 항목의 영향이 가장 컸습니다. monthly_fee(0.2%p), age(-0.3%p), plan(-0.6%p)은 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 원인이라는 뜻은 아닙니다.
질문한 사람 support_calls 0, tenure_months 46, monthly_fee 75.27이면 결과가 어떻게 나와?
ML 엔지니어 support_calls 0, tenure_months 46, monthly_fee 75.27으로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) monthly_fee=75.27, support_calls=0, tenure_months=46 → churn: no
질문한 사람 이 모델 믿고 써도 돼?
ML 엔지니어 최종 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 73.7%이고, 개발 데이터에서는 72.0%였습니다. 이 모델은 하네스가 만든 기본 모델(t1, 68.7%)이 아니라 에이전트가 만든 후보(t2)입니다. 다만 이 대화에서는 재학습이나 새 평가를 바로 실행할 수 없고, 다른 데이터 파일로 새 작업을 만들어 시도해볼 수 있습니다.
질문한 사람 더 좋게 만들 수 있어?
ML 엔지니어 이 대화에서는 재학습이나 새 평가를 바로 실행할 수 없어서 지금 모델을 더 좋게 만들 수는 없습니다. 다만 왼쪽 '+ 새 작업'에서 다른 데이터 파일로 새 모델을 만들어볼 수 있고, 이미 쓴 같은 파일은 평가 데이터가 섞이지 않도록 새 작업에 다시 쓸 수 없습니다. 현재 보관된 모델은 에이전트가 만든 후보(t2)로, 학습에 쓰지 않은 데이터 239건에서 균형 정확도 73.7%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.