‘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

  1. ML 엔지니어 1,200행, 8개 항목을 읽었습니다. 답의 기준은 ‘churn’ 열로 잡았습니다. 아래에서 맞는지 확인해 주세요.
  2. 질문한 사람 ‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지 알고 싶어
  3. ML 엔지니어 요청 원문으로 확인되지 않은 해석이 있어, 확인된 내용만 남겨 다시 정리하고 있습니다. 학습은 아직 시작하지 않았습니다.
  4. ML 엔지니어 'churn' 열을 예측하는 이진 분류 작업으로 계획합니다. 입력은 안전한 전체 특징 집합을 사용하고, 고객 단위 행 예측, balanced_accuracy 지표, 특징 그룹 기반 60/20/20 분할, 모델 산출물 제공을 제안합니다. 스키마에 시간·날짜 열이 없어 '다음 달'은 현재 분포 기준 예측으로 해석하며 시간 순서 의존성은 해결되지 않습니다.
  5. ML 엔지니어 첫 모델을 만듭니다. 여러 방법을 시험해 가장 나은 것을 고르고, 마지막에 처음 보는 데이터로 한 번 더 확인합니다.
  6. ML 엔지니어 하네스 기본 후보를 시험했습니다. 균형 정확도 64.8%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  7. ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준 모델은 범주형 열을 순서형 코드로만 처리해 범주별 이탈 신호를 충분히 반영하지 못합니다. 같은 모델·같은 평가 조건에서 범주형을 원-핫으로 표현해 비교해 보겠습니다.
  8. ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 67.0%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  9. ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트가 후보 2개를 시험한 뒤 더 시험하지 않기로 했습니다(최대 3개). 남은 예산 616원 중 40원을 최종 확인에 씁니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
  10. ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 67.5%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
  11. 질문한 사람 놓치는 고객을 더 줄여줘
  12. ML 엔지니어 놓치는 고객을 줄이는 방향으로 같은 작업에서 새 후보를 만들어 개발 데이터로 비교하겠습니다. 직전 후보는 범주형 열을 원-핫으로 바꾼 모델이었으니, 이번에는 이탈 고객을 놓치는 비율을 낮추는 쪽으로 조정해 보겠습니다. 최종 점수는 같은 평가 데이터를 두 번 쓰지 않도록 다시 재지 않습니다. 개선 시도를 시작했습니다. 새 후보를 만들어 개발 데이터로 비교한 뒤 결과를 여기에 알려드립니다.
  13. ML 엔지니어 개선 후보 3번을 만듭니다. 요청: 이탈 고객을 놓치는 비율을 줄이도록, 범주형 원-핫 인코딩에 더해 클래스 가중치나 판정 임계값을 조정한 새 후보를 만들어 개발 데이터로 비교해 달라
  14. ML 엔지니어 개선 후보 3번을 시험했습니다. 개발 점수 65.1% (-1.9%p) · 개선 폭이 -4.7%p ~ +0.8%p로 0을 걸쳐 우연 범위 안이라 채택하지 않습니다.
  15. ML 엔지니어 개선 후보 4번을 만듭니다. 요청: 이탈 고객을 놓치는 비율을 줄이도록, 범주형 원-핫 인코딩에 더해 클래스 가중치나 판정 임계값을 조정한 새 후보를 만들어 개발 데이터로 비교해 달라
  16. ML 엔지니어 개선 후보 4번을 시험했습니다. 개발 점수 70.3% (+3.3%p) · 개선 폭이 -1.4%p ~ +8.2%p로 0을 걸쳐 우연 범위 안이라 채택하지 않습니다.
  17. ML 엔지니어 새 후보 2개를 시험했지만 확실히 나은 후보가 없어 기존 모델(개발 점수 67.0%)을 그대로 둡니다. 가장 나은 후보 4번도 개발 점수 70.3%(+3.3%p)로, 개선 폭이 -1.4%p ~ +8.2%p로 0을 걸쳐 우연 범위 안이라 채택하지 않습니다. 최종 점수는 원래 모델의 1회 측정값(67.5%)을 그대로 둡니다.
  18. 질문한 사람 나이 34살, basic 요금제, 월 29.9, 상담 5번, 가입 3개월 고객은 떠날까?
  19. 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