전화했을 때 정기예금에 가입할 고객을 잘 골라내는 모델을 만…

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

전화했을 때 정기예금에 가입할 고객을 잘 골라내는 모델을 만들어줘

대화

ML 엔지니어 36,171행, 17개 항목을 읽었습니다. 답의 기준은 ‘정기예금가입’ 열로 잡았습니다. 아래에서 맞는지 확인해 주세요.
질문한 사람 전화했을 때 정기예금에 가입할 고객을 잘 골라내는 모델을 만들어줘
ML 엔지니어 요청 원문으로 확인되지 않은 해석이 있어, 확인된 내용만 남겨 다시 정리하고 있습니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 등록 과제(bank-trial)의 조건에 맞춰 정기예금가입 여부를 예측하는 이진 분류 모델 계획을 세웠습니다. 허용 특징 열 전체를 입력으로 쓰고 금지 열 통화시간초는 제외하며, 지표는 balanced_accuracy, 결과 제공은 model로 제안합니다. 사용자 원문에는 입력·지표·분할·제공 방식이 명시되지 않았으므로 task_brief에는 인용 가능한 요구가 없어 null로 둡니다. 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 73.7%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 변수를 임의 순서의 정수 코드로만 처리해 연락 이력 변수 간 상호작용을 활용하지 못합니다. 원-핫 인코딩과 연락 이력 파생 변수를 추가해 같은 분할에서 개선 여부를 검증하겠습니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 74.1%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2가 최고 성능이지만 개선 폭이 작아, 특징은 그대로 두고 모델 용량만 조정하는 저비용 실험으로 추가 향상을 검증합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 73.8%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t3에서 부스팅 용량 조정이 오히려 성능을 낮춰 하이퍼파라미터 방향은 기각되었습니다. 최고 성능은 t2(0.7414)이므로 이를 부모로 삼아, 아직 시도하지 않은 특징 표현 확장(월 주기성, 경과일 로그, 이전캠페인결과 상호작용)으로 다른 가설을 검증합니다.
ML 엔지니어 후보 4번을 시험했습니다. 균형 정확도 74.0%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트가 후보 4개를 시험한 뒤 더 시험하지 않기로 했습니다(최대 6개). 남은 예산 9,999,384원 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.
질문한 사람 가입할 고객을 더 많이 찾아줘. 놓치는 가입자를 줄여줘
ML 엔지니어 가입할 고객을 더 많이 찾고 놓치는 가입자를 줄이는 방향으로 개선을 시도하겠습니다. 지금까지 가장 좋은 후보(t2)를 부모로 삼아, 아직 검증하지 않은 특징 표현 확장(마지막연락월 주기성 변환, 경과일 로그 변환, 이전캠페인결과 상호작용)으로 새 후보를 만들어 개발 데이터에서 비교합니다. 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.
질문한 사람 지금 어디까지 했어?
ML 엔지니어 지금 '가입할 고객을 더 많이 찾고 놓치는 가입자를 줄이도록, 최고 후보 t2를 부모로 특징 표현을 확장한 새 후보를 만들어 개발 데이터로 비교해 달라' 요청으로 개선 후보를 시험하고 있습니다 (최대 4개 중 1번째). 첫 후보를 준비하고 있습니다. 끝나면 결과를 여기에 알려드리고, 그 뒤에 질문에 답할 수 있습니다.
ML 엔지니어 개선 후보 5번을 만듭니다. 요청: 가입할 고객을 더 많이 찾고 놓치는 가입자를 줄이도록, 최고 후보 t2를 부모로 특징 표현을 확장한 새 후보를 만들어 개발 데이터로 비교해 달라
ML 엔지니어 개선 후보 5번을 시험하지 못했습니다. 학습 코드가 실행 중 오류를 냈습니다. 오류를 보고 한 번 고쳐 봅니다.
ML 엔지니어 개선 후보 5번의 오류를 고칩니다. 학습 중 난 오류를 에이전트에게 보여주고 코드를 한 번 고쳐 같은 조건으로 다시 시험합니다.
ML 엔지니어 개선 후보 6번을 시험하지 못했습니다. 이전 후보와 같은 코드라 다시 학습하지 않았습니다.
ML 엔지니어 개선 후보 7번을 만듭니다. 요청: 가입할 고객을 더 많이 찾고 놓치는 가입자를 줄이도록, 최고 후보 t2를 부모로 특징 표현을 확장한 새 후보를 만들어 개발 데이터로 비교해 달라
ML 엔지니어 개선 후보 7번을 시험하지 못했습니다. 학습 코드 실행이 실패했습니다. 실패 근거와 기존 비용은 보존했습니다.
ML 엔지니어 개선 후보 8번을 만듭니다. 요청: 가입할 고객을 더 많이 찾고 놓치는 가입자를 줄이도록, 최고 후보 t2를 부모로 특징 표현을 확장한 새 후보를 만들어 개발 데이터로 비교해 달라
ML 엔지니어 개선 후보 8번을 시험하지 못했습니다. 학습 코드 실행이 실패했습니다. 실패 근거와 기존 비용은 보존했습니다.
ML 엔지니어 개선 후보 9번을 만듭니다. 요청: 가입할 고객을 더 많이 찾고 놓치는 가입자를 줄이도록, 최고 후보 t2를 부모로 특징 표현을 확장한 새 후보를 만들어 개발 데이터로 비교해 달라
ML 엔지니어 개선 후보 9번을 시험하지 못했습니다. 학습 코드 실행이 실패했습니다. 실패 근거와 기존 비용은 보존했습니다.
ML 엔지니어 새 후보 5개가 모두 학습 전후에 실패해 비교할 결과가 없습니다. 기존 모델(개발 점수 74.1%)을 그대로 둡니다. 최종 점수는 원래 모델의 1회 측정값(73.1%)을 그대로 둡니다. 다른 방향으로 더 해보려면 "한 번 더 해봐"처럼 말해 주세요.