먼저 기준 모델을 만들고, 어떤 항목이 결과에 가장 큰 영향…

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

먼저 기준 모델을 만들고, 어떤 항목이 결과에 가장 큰 영향을 주는지 설명해줘.

대화

ML 엔지니어 36,171행, 17개 항목을 읽었습니다. 답의 기준은 ‘정기예금가입’ 열로 잡았습니다. 아래에서 맞는지 확인해 주세요.
질문한 사람 먼저 기준 모델을 만들고, 어떤 항목이 결과에 가장 큰 영향을 주는지 설명해줘.
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 기준 모델을 만드는 계획입니다. 허용 입력 열 전체(금지 열 통화시간초 제외)를 사용하고, 정답 열 정기예금가입을 예측하며, 공식 지표는 balanced_accuracy입니다. 평가는 IID 특징 그룹 60/20/20 분할을 제안하고, 결과 제공은 호스트 제출 흐름에 따라 model로 제안합니다. 영향 항목 설명은 학습된 기준 모델의 특징 중요도에 근거해 제시하며 인과를 주장하지 않습니다. 다음 행동은 이 계획을 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. 기준 모델은 명목형 변수를 순서형 코드로 처리해 정보 손실이 있고, 수치형 상호작용을 명시적으로 제공하지 않습니다. 가장 영향력 있는 항목을 설명하려면 먼저 변수 표현을 개선한 비교 가능한 후보가 필요하므로, 원-핫 인코딩과 파생 변수를 추가한 개선 실험을 제안합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 73.5%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2는 t1보다 0.0026 낮아 개선되지 않았습니다. 같은 방향을 반복하지 않고, 기준 파이프라인을 유지한 채 모델 정규화만 바꾸는 다른 가설로 전환합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 73.9%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 판단 형식을 바로잡습니다. 에이전트가 낸 판단이 형식 검증을 통과하지 못해, 무엇이 틀렸는지 알려주고 한 번 다시 쓰게 합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트의 다음 판단이 형식 검증을 통과하지 못해 추가 시험은 하지 않습니다. 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.