‘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, 한 고객 행 단위로 이탈 여부를 예측합니다. 입력은 호스트가 허용한 전체 안전 특징 열을 사용하고 customer_id는 식별자로 제외합니다. 스키마에 시간·날짜 열이 없어 '다음 달'은 별도 시점 열 없이 현재 데이터 분포 기준 예측으로 해석하며, 행 독립(IID) 가정의 한계를 기록합니다. 지표는 balanced_accuracy, 분할은 iid_feature_groups_60_20_20_v1, 평가 단위는 unique_feature_group, 결과 제공은 model로 제안합니다. 다음 행동은 이 결정을 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 62.2%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 열을 순서형 코드로만 처리해 범주별 이탈 위험 차이를 충분히 반영하지 못할 수 있습니다. 원-핫 인코딩과 결측 지표 추가로 같은 모델 계열 안에서 개선 여부를 검증합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 65.2%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델은 단일 HGB입니다. 같은 전처리를 유지하되 모델 계열을 랜덤 포레스트 앙상블로 바꿔 세그먼트별 이탈 신호를 더 잘 포착하는지 검증합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 62.1%. 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 66.6%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 66.6%입니다. 균형 정확도는 클래스별로 맞힌 비율을 평균한 값이라, 이탈 고객과 잔류 고객을 비슷한 수준으로 구분했다는 뜻입니다. 이 모델은 하네스가 만든 기본 모델(t1, 62.2%)을 넘어선 에이전트가 만든 후보(t2, 65.2%)를 골라 마무리한 결과입니다.
질문한 사람 어떤 항목이 결과에 가장 큰 영향을 줬어?
ML 엔지니어 영향도는 개발 데이터 239건에서 각 항목 값을 섞었을 때 균형 정확도가 얼마나 떨어지는지로 측정했습니다. 상담 횟수(support_calls)가 13.2%p로 가장 컸고, 가입 기간(tenure_months) 2.1%p, 월 요금(monthly_fee) 0.4%p 순이었습니다. 나이(age)와 요금제(plan)는 각각 -0.4%p, -0.5%p로 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 이탈의 원인이라는 뜻은 아닙니다.
질문한 사람 support_calls 4, tenure_months 59, monthly_fee 13.65이면 결과가 어떻게 나와?
ML 엔지니어 상담 횟수 4, 가입 기간 59개월, 월 요금 13.65로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) monthly_fee=13.65, support_calls=4, tenure_months=59 → churn: no
질문한 사람 이 모델 믿고 써도 돼?
ML 엔지니어 최종 확인 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 66.6%입니다. 균형 정확도는 클래스별로 맞힌 비율을 평균한 값이라, 이탈 고객과 잔류 고객을 비슷한 수준으로 구분했다는 뜻입니다. 다만 이 점수는 개발 데이터 239건에서 측정한 영향도와 별개로, 학습에 쓰지 않은 데이터에서 한 번만 확인한 값이라 그대로 믿고 쓰기에는 근거가 제한적입니다. 이 대화에서는 재학습이나 새 평가를 바로 실행하지 않으니, 다른 데이터 파일로 새 작업을 만들어 다시 확인해보는 방법을 제안할 수 있습니다.
질문한 사람 더 좋게 만들 수 있어?
ML 엔지니어 이 대화에서는 재학습이나 새 평가를 바로 실행하지 않으니, 지금 점수를 더 올리는 작업은 여기서 할 수 없습니다. 대신 왼쪽 '+ 새 작업'으로 다른 데이터 파일을 올려 새 모델을 만들어볼 수 있고, 이미 쓴 같은 파일은 평가 데이터가 섞이지 않도록 새 작업에 다시 쓸 수 없습니다. 참고로 지금 보관된 모델은 하네스가 만든 기본 모델(t1, 개발 점수 62.2%)보다 나은, 에이전트가 만든 후보(t2, 개발 점수 65.2%)이고, 학습에 쓰지 않은 데이터 239건에서 측정한 최종 균형 정확도는 66.6%입니다.
질문한 사람 결과를 엑셀로 받을 수 있어?
ML 엔지니어 엑셀 파일로 바로 내보내는 기능은 없습니다. 대신 대화 아래 '보관된 모델' 카드의 '모델·소스 받기'에서 학습된 전처리·모델 파일과 학습 소스, 실행 안내를 zip으로 내려받을 수 있고, 같은 카드의 '예측해보기'에서는 한 건 직접 입력하거나 JSON, CSV·JSON 파일(최대 100건, 2MB)로 예측해 결과를 표로 볼 수 있습니다.