예측 모델 만들어줘

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

예측 모델 만들어줘

대화

질문한 사람 예측 모델 만들어줘
ML 엔지니어 800행과 6개 항목을 읽었습니다. 첨부한 자료와 요청을 함께 확인합니다. 데이터를 살펴보거나 궁금한 내용을 물어볼 수 있습니다. 아직 모델 학습은 시작하지 않았습니다.
질문한 사람 예측 모델 만들어줘
ML 엔지니어 요청과 맞지 않는 답변이 나와 다시 확인이 필요합니다. 학습은 아직 시작하지 않았습니다.
ML 엔지니어 무엇을 예측할지는 아직 말씀하지 않으셨어요. 데이터를 보면 '노쇼여부' 열을 예측하는 것으로 보여요. '노쇼여부'로 진행할까요? 다른 열을 예측하려면 그 열 이름을 알려주세요. 학습은 아직 시작하지 않았습니다.
질문한 사람 아니, 나이를 예측해줘
ML 엔지니어 나이를 예측하는 모델로 진행할게요. 입력 열은 아직 지정하지 않으셔서 사용 가능한 열을 모두 쓰고, 나이는 숫자라 회귀 문제로 보고 R2 점수로 평가하겠습니다. 학습은 아직 시작하지 않았습니다.
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. 설명력(R²) -0.148. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 하네스 기본 템플릿은 이 데이터에 맞게 조정되지 않았고 R2가 -0.148로 최대값 1.0과 큰 격차가 있습니다. 부스팅 용량과 범주형 인코딩을 조정해 개선을 시도합니다.
ML 엔지니어 후보 2번을 시험했습니다. 설명력(R²) -0.654. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2는 원-핫 인코딩과 과도한 부스팅 용량으로 기준선 t1(-0.1478)보다 크게 나빠졌습니다(-0.6541). 같은 방향을 반복하지 않고, 범주형을 순서형으로 되돌리고 모델 용량을 줄인 새 실험을 제안합니다.
ML 엔지니어 후보 3번을 시험했습니다. 설명력(R²) 0.0051. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델(t3)의 R2가 0.0051로 최대값 1.0에 크게 못 미치고, t2의 실패로 특징 표현·용량 조정만으로는 한계가 확인되어, 아직 시도하지 않은 타깃 변환(분위수 정규화) 가설을 검증하는 실험을 제안합니다.
ML 엔지니어 후보 4번을 시험했습니다. 설명력(R²) -0.0622. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델(t3, R2 0.0051)보다 나이 예측 성능을 높이기 위해, 순서를 강제하는 순서형 인코딩 대신 빈도 기준으로 희귀 범주를 묶는 원-핫 인코딩을 시도합니다.
ML 엔지니어 후보 5번을 시험했습니다. 설명력(R²) -0.0105. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 점수가 오르지 않아 방향을 다시 봅니다. 같은 방향을 반복하지 않고, 남은 예산으로 다른 방법을 시험할지 지금까지 가장 좋은 후보로 마칠지 정합니다.
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. 에이전트가 후보 5개를 시험한 뒤 더 시험하지 않기로 했습니다. 남은 예산 9,028원 중 40원을 최종 확인에 씁니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 설명력(R²) -0.0151입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.