‘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. 입력은 customer_id를 제외한 안전한 특징 열 전체를 사용하고, 예측 단위는 행, 평가 단위는 특징 그룹으로 두며, 지표는 balanced_accuracy, 분할은 iid_feature_groups_60_20_20_v1, 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 74.0%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 열을 순서형 코드로 처리해 명목형 범주에 임의의 순서를 부여합니다. 원-핫 인코딩으로 이 왜곡을 제거하는 실험을 제안합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 72.4%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 점수가 오르지 않아 방향을 다시 봅니다. 같은 방향을 반복하지 않고, 남은 예산으로 다른 방법을 시험할지 지금까지 가장 좋은 후보로 마칠지 정합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트의 마지막 판단을 확인할 수 없어 시험을 멈췄습니다. 비용 기록은 그대로 둡니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 62.0%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 62.0%입니다. 균형 정확도는 클래스별로 맞힌 비율의 평균이라, 떠난 고객과 남은 고객을 각각 얼마나 잘 맞혔는지를 같은 무게로 본 값입니다. 이 모델은 하네스가 만든 기본 모델로, 개발 데이터 점수는 74.0%였지만 처음 보는 데이터에서는 62.0%로 낮아졌습니다. 영향도를 보면 support_calls를 섞었을 때 개발 점수가 19.0%p 떨어져 가장 컸고, tenure_months 5.3%p, plan 3.4%p 순이었습니다. 다만 영향이 크다고 해서 그것이 점수가 낮아진 원인이라는 뜻은 아닙니다.
질문한 사람 어떤 항목이 결과에 가장 큰 영향을 줬어?
ML 엔지니어 영향도 기준으로는 support_calls를 섞었을 때 개발 데이터 균형 정확도가 19.0%p 떨어져 가장 컸고, tenure_months 5.3%p, plan 3.4%p 순이었습니다. 그다음은 data_usage_gb 2.8%p, monthly_fee 1.8%p였고, age는 -0.2%p로 영향이 거의 없었습니다. 다만 영향이 크다고 해서 그것이 점수가 낮아진 원인이라는 뜻은 아닙니다.
질문한 사람 support_calls 6, tenure_months 72, plan basic이면 결과가 어떻게 나와?
ML 엔지니어 support_calls 6, tenure_months 72, plan basic으로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) plan=basic, support_calls=6, tenure_months=72 → churn: no
질문한 사람 이 모델 믿고 써도 돼?
ML 엔지니어 최종 점수는 학습에 쓰지 않은 데이터 239건에서 측정한 균형 정확도 62.0%이고, 개발 데이터 점수는 74.0%였습니다. 균형 정확도는 클래스별로 맞힌 비율의 평균이라 떠난 고객과 남은 고객을 같은 무게로 본 값입니다. 이 모델은 하네스가 만든 기본 모델이며, 처음 보는 데이터에서 점수가 낮아졌으니 참고용으로만 쓰시는 게 좋습니다. 이 대화에서 재학습이나 새 평가는 바로 실행되지 않지만, 다른 데이터 파일로 새 작업을 만들어 시도해볼 수 있습니다.
질문한 사람 더 좋게 만들 수 있어?
ML 엔지니어 이 대화에서 재학습이나 새 평가는 바로 실행되지 않습니다. 다만 왼쪽 '+ 새 작업'에서 다른 데이터 파일로 새 모델을 만들어 시도해볼 수 있습니다. 참고로 개발 데이터 점수는 74.0%였고, 학습에 쓰지 않은 239건에서는 균형 정확도 62.0%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 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 수 있습니다.