가입할 고객을 최대한 정확하게 맞추는 모델을 만들어줘

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

대화

ML 엔지니어 36,171행, 17개 항목을 읽었습니다. 답의 기준은 ‘정기예금가입’ 열로 잡았습니다. 아래에서 맞는지 확인해 주세요.
질문한 사람 가입할 고객을 최대한 정확하게 맞추는 모델을 만들어줘
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 등록 과제(bank-trial) 조건에 맞춰 정기예금가입 예측 모델 계획을 세웠습니다. 허용 입력 15개 열을 사용하고 금지 열 통화시간초는 제외하며, 지표는 balanced_accuracy, 결과 제공은 model로 제안합니다. 사용자 원문에는 알고리즘·입력 열·지표·분할·제공 방식이 명시되지 않았으므로 해당 항목은 사용자 요구로 인용하지 않고 engineering_plan의 기술 제안으로만 둡니다. 추가로 확인할 사용자 조건 충돌은 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 73.7%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준 모델은 범주형 열을 순서형 코드로만 인코딩하고 결측을 암묵적으로 처리합니다. 원-핫 인코딩과 결측 지표를 추가해 같은 분할에서 균형 정확도가 개선되는지 검증합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 74.1%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
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.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 73.1%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.