다음 달에 떠날 것 같은 고객을 미리 알고 싶어

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

대화

ML 엔지니어 1,200행, 8개 항목을 읽었습니다. 답의 기준은 ‘churn’ 열로 잡았습니다. 아래에서 맞는지 확인해 주세요.
질문한 사람 다음 달에 떠날 것 같은 고객을 미리 알고 싶어
ML 엔지니어 요청 원문으로 확인되지 않은 해석이 있어, 확인된 내용만 남겨 다시 정리하고 있습니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 요청 원문으로 확인되지 않은 해석이 있어, 확인된 내용만 남겨 다시 정리하고 있습니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 다음 달 이탈 가능성이 높은 고객을 미리 파악하는 이진 분류 작업으로 이해했습니다. 정답 열은 churn이며, 고객 식별자인 customer_id는 입력에서 제외하고 나머지 실제 스키마 열 전체를 입력으로 사용하는 계획을 세웠습니다. 아직 코드 실행·학습·평가는 수행하지 않았습니다.
질문한 사람 네, 답의 기준은 ‘churn’ 열이야
ML 엔지니어 요청 원문으로 확인되지 않은 해석이 있어, 확인된 내용만 남겨 다시 정리하고 있습니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 다음 달 이탈 가능성이 높은 고객을 미리 파악하는 이진 분류 작업으로 이해했습니다. 정답 기준은 사용자가 지정한 'churn' 열이며, 한 고객 행에 대해 이탈 여부를 한 번 예측하는 것으로 봅니다. 입력은 customer_id(개체 식별자)와 churn(정답)을 제외한 나머지 실제 스키마 열 전체입니다. 지표는 클래스 불균형을 반영하는 balanced_accuracy를 제안하고, 지원되는 유일한 분할 정책(iid_feature_groups_60_20_20_v1)과 평가 단위(unique_feature_group)를 사용합니다. 스키마에 시간·날짜 열이 없어 행 독립(IID) 가정을 두며 시간 순서 의존성은 해결하지 못합니다. 아직 코드 실행·학습·실행 승인·완료·점수는 주장하지 않습니다.
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 68.5%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준선은 범주형 열을 순서형 코드로만 처리해 이탈 신호를 충분히 살리지 못할 수 있습니다. 원-핫 인코딩과 약한 정규화로 같은 분할에서 비교해 개선 여부를 확인하겠습니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 66.0%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 에이전트가 후보 2개를 시험한 뒤 더 시험하지 않기로 했습니다. 남은 예산 9,999,392원 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 63.1%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.
질문한 사람 이 모델 이제 어떻게 쓰면 돼? 우리 고객 명단 전체에 적용하고 싶어
ML 엔지니어 보관된 모델 카드의 '예측해보기'에서 한 건씩 직접 입력하거나, JSON 또는 CSV·JSON 파일(최대 100건, 2MB)로 넣어 예측하고 결과를 표로 볼 수 있습니다. 고객 명단 전체를 한 번에 넣는 기능은 없으니 100건 이하 묶음으로 나눠 올려 주세요. 같은 카드의 '모델·소스 받기'로 학습된 전처리·모델 파일과 학습 소스를 zip 으로 내려받아 직접 일괄 적용할 수도 있습니다(원본 데이터는 제외).