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 조건(목표 열 정기예금가입, 지표 balanced_accuracy, 허용 입력 열, 금지 열 통화시간초)을 반영해 분류 모델 계획을 세웠습니다. 사용자 원문은 모델 제작 요청만 있으므로 task_brief에는 인용할 입력·지표 요구가 없습니다. 다음 행동은 이 결정을 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 열을 순서형 코드로만 처리해 범주 구분 정보를 잃고 있습니다. 원-핫 인코딩과 소수 클래스 가중 부스팅 설정으로 가입 고객을 더 잘 골라내는지 검증합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 73.9%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2가 원-핫으로 소폭 개선되었으므로, 범주형 정보를 더 잘 활용하는 타깃 인코딩과 이력 상호작용 특징으로 다음 실험을 진행합니다.
ML 엔지니어 학습 코드가 실행 중 오류를 냈습니다. 기록은 남겨 두고, 고칠 수 있는 오류인지 확인합니다. 아직 점수는 없습니다.
ML 엔지니어 에이전트가 오류를 고칩니다. 오류 내용을 보고 코드를 다시 써서 같은 조건으로 다시 시험합니다. 예산과 평가 방식은 그대로입니다.
ML 엔지니어 학습 코드가 실행 중 오류를 냈습니다. 기록은 남겨 두고, 고칠 수 있는 오류인지 확인합니다. 아직 점수는 없습니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 오류 수정은 한 번까지라 시험을 멈췄습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 73.6%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 가입할 고객을 더 많이 찾아줘. 놓치는 가입자를 줄여줘
ML 엔지니어 가입 고객을 더 많이 잡도록 개선을 시도합니다. 현재 모델은 범주형 변수를 원-핫 인코딩하고 클래스 가중치를 준 히스토그램 그래디언트 부스팅을 쓰는데, 이번에는 소수 클래스(가입) 쪽 판정을 더 넓게 잡는 방향으로 조정합니다. 같은 작업에서 새 후보를 만들어 개발 데이터로만 비교하며, 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.
ML 엔지니어 개선 후보 5번을 만듭니다. 요청: 가입(예) 고객을 놓치는 비율을 줄이도록 소수 클래스 재현율을 높이는 방향으로 모델을 개선해줘
질문한 사람 지금 어디까지 했어?
ML 엔지니어 지금 '가입(예) 고객을 놓치는 비율을 줄이도록 소수 클래스 재현율을 높이는 방향으로 모델을 개선해줘' 요청으로 개선 후보를 시험하고 있습니다 (최대 4개 중 1번째). 후보 5번: 만들고 시험하는 중입니다. 끝나면 결과를 여기에 알려드리고, 그 뒤에 질문에 답할 수 있습니다.
ML 엔지니어 개선 후보 5번을 시험했습니다. 개발 점수 73.9% (+0.0%p) · '예'를 놓친 비율 37% → 37%로, 재현율 개선 폭 +0.0%p ~ +0.0%p가 0을 걸쳐 확실한 개선이 아니라 채택하지 않습니다.
ML 엔지니어 개선 후보 6번을 만듭니다. 요청: 가입(예) 고객을 놓치는 비율을 줄이도록 소수 클래스 재현율을 높이는 방향으로 모델을 개선해줘
ML 엔지니어 개선 후보 6번을 시험했습니다. 개발 점수 73.9% (+0.0%p) · '예'를 놓친 비율 37% → 37%로, 재현율 개선 폭 +0.0%p ~ +0.0%p가 0을 걸쳐 확실한 개선이 아니라 채택하지 않습니다.
ML 엔지니어 개선 후보 7번을 만듭니다. 요청: 가입(예) 고객을 놓치는 비율을 줄이도록 소수 클래스 재현율을 높이는 방향으로 모델을 개선해줘
ML 엔지니어 개선 후보 7번을 시험했습니다. 개발 점수 73.9% (+0.0%p) · '예'를 놓친 비율 37% → 37%로, 재현율 개선 폭 +0.0%p ~ +0.0%p가 0을 걸쳐 확실한 개선이 아니라 채택하지 않습니다.
ML 엔지니어 개선 후보 8번을 만듭니다. 요청: 가입(예) 고객을 놓치는 비율을 줄이도록 소수 클래스 재현율을 높이는 방향으로 모델을 개선해줘
ML 엔지니어 개선 후보 8번을 시험했습니다. 개발 점수 73.9% (+0.0%p) · '예'를 놓친 비율 37% → 37%로, 재현율 개선 폭 +0.0%p ~ +0.0%p가 0을 걸쳐 확실한 개선이 아니라 채택하지 않습니다.
ML 엔지니어 새 후보 4개를 비교했지만 확실히 나은 후보가 없어 기존 모델(개발 점수 73.9%)을 그대로 둡니다. 가장 나은 후보 5번도 개발 점수 73.9%(+0.0%p)로, '예'를 놓친 비율 37% → 37%로, 재현율 개선 폭 +0.0%p ~ +0.0%p가 0을 걸쳐 확실한 개선이 아니라 채택하지 않습니다. 최종 점수는 원래 모델의 1회 측정값(73.6%)을 그대로 둡니다. 다른 방향으로 더 해보려면 "한 번 더 해봐"처럼 말해 주세요.
질문한 사람 나이 45살 관리직, 잔고 1500유로, 지난 통화 300초인 고객은 가입할까?
ML 엔지니어 나이 45, 직업 관리직, 연평균잔액 1500, 지난 통화 300초로 읽었습니다. 보관된 모델로 직접 예측한 결과입니다 (말하지 않은 항목은 빈 값으로 넣었습니다): 1) 나이=45, 연평균잔액=1500, 직업=관리직 → 정기예금가입: 아니오