‘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, 8개 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 'churn' 열을 예측하는 이진 분류 작업으로 계획했습니다. 등록된 과제 조건에 따라 정답 열 churn, 지표 balanced_accuracy, 입력은 전체 허용 입력 열, 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 68.2%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준 모델은 범주형 열을 순서 코드로만 인코딩하고 고정 설정의 부스팅만 사용합니다. 범주 정보를 보존하는 원-핫 인코딩과 규제된 선형 모델로 같은 데이터에서 다른 가설을 검증해 보겠습니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 69.9%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 후보 t2(0.69895)는 원-핫 인코딩에 선형 로지스틱 회귀를 사용해 비선형 상호작용을 표현하지 못합니다. 인코딩은 유지하고 비선형 트리 앙상블로 추정기만 교체하는 한 번의 실험으로 그 한계를 검증합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 66.1%. 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 71.6%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 71.6%입니다. 균형 정확도는 클래스별로 맞힌 비율의 평균이라, 이탈 고객과 잔류 고객을 얼마나 고르게 구분했는지를 보여줍니다. 이 점수는 하네스가 만든 기본 모델(t1, 68.2%)과 에이전트가 만든 후보들(t2 69.9%, t3 66.1%) 중 가장 좋은 후보 t2를 처음 보는 데이터로 확인한 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 15.8%p로 가장 컸고, 가입 기간(tenure_months) 3.2%p, 요금제(plan) 1.7%p, 데이터 사용량(data_usage_gb) 0.7%p, 월 요금(monthly_fee) 0.5%p, 나이(age) 0.4%p 순입니다. 다만 영향이 크다고 해서 그것이 이탈의 원인이라는 뜻은 아닙니다.
질문한 사람 support_calls 1, tenure_months 38, plan basic이면 결과가 어떻게 나와?
ML 엔지니어 상담 횟수 1, 가입 기간 38개월, 요금제 basic으로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) plan=basic, support_calls=1, tenure_months=38 → churn: no
질문한 사람 이 모델 믿고 써도 돼?
ML 엔지니어 최종 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 71.6%이고, 이는 하네스가 만든 기본 모델(t1, 68.2%)과 에이전트가 만든 후보들(t2 69.9%, t3 66.1%) 중 가장 좋은 후보 t2를 처음 보는 데이터로 확인한 결과입니다. 다만 이 점수는 이탈 고객과 잔류 고객을 고르게 구분한 비율일 뿐이며, 실제 운영 환경에서의 성능을 보장하지는 않습니다. 영향도는 개발 데이터 239건에서 상담 횟수(support_calls)가 15.8%p로 가장 컸지만, 영향이 크다고 해서 그것이 이탈의 원인이라는 뜻은 아닙니다. 참고용으로만 쓰시고, 중요한 결정에는 별도 검증을 거치시길 권합니다.
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 쓰면 새 모델을 만들 수 있고, 이미 쓴 같은 파일은 평가 데이터가 섞이지 않도록 새 작업에 다시 쓸 수 없습니다. 지금 후보들은 하네스 기본 모델(t1, 68.2%)과 에이전트 후보(t2 69.9%, t3 66.1%)였고, 최종 점수는 학습에 쓰지 않은 239건에서 측정한 균형 정확도 71.6%입니다. 더 나은 결과를 노린다면 새 작업에서 특성 표현이나 모델 구성을 바꿔 시도해볼 수 있습니다.
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, 또는 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 zip 으로 내려받을 수도 있습니다.