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 정기예금 가입 고객을 분류하는 모델을 제안합니다. 허용 특징 열 전체를 입력으로 쓰고 금지 열(통화시간초)은 제외하며, 지표는 balanced_accuracy, 결과 제공은 model로 제안합니다. 연습 데이터의 개발용 분할은 기술적 선택입니다.
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 범주형을 단순 순서형 코드로만 처리하고 기본 설정의 단일 그래디언트 부스팅만 사용합니다. 이전 캠페인 결과와 연락 시점 관련 특징을 명시적으로 가공하고 소규모 하이퍼파라미터 탐색을 더하면 균형 정확도를 높일 여지가 있어 개선 실험을 제안합니다.
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 범주형 인코딩과 단일 모델 구조에 개선 여지가 있어, 소수 클래스 재현율을 겨냥한 인코딩·앙상블 실험을 한 번 더 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 73.5%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 지금 어디까지 했어?
ML 엔지니어 현재까지는 후보 비교와 최종 확인까지 끝난 상태입니다. 하네스가 만든 기본 모델(t1)은 개발 데이터에서 73.7%, 에이전트가 만든 후보(t2)는 74.1%였고, 오류 수정 시도(t3, t4)는 실패해 수정 한도로 멈췄습니다. 그래서 가장 좋은 t2를 선택해 처음 보는 데이터로 최종 확인했고, 균형 정확도(클래스별로 맞힌 비율의 평균) 73.5%가 나왔습니다. 아래 보관된 모델 카드에서 이 모델로 예측을 시험해 볼 수 있습니다.
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: 예