예측 모델 만들어줘

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

예측 모델 만들어줘

대화

  1. 질문한 사람 예측 모델 만들어줘
  2. ML 엔지니어 800행과 6개 항목을 읽었습니다. 첨부한 자료와 요청을 함께 확인합니다. 데이터를 살펴보거나 궁금한 내용을 물어볼 수 있습니다. 아직 모델 학습은 시작하지 않았습니다.
  3. 질문한 사람 예측 모델 만들어줘
  4. 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.
  5. 질문한 사람 아니, 나이를 예측해줘
  6. ML 엔지니어 나이를 예측하는 모델로 진행할게요. 입력 열은 아직 지정하지 않으셔서 사용 가능한 열을 모두 쓰고, 환자번호 같은 식별자 열은 제외합니다. 학습은 아직 시작하지 않았습니다.
  7. ML 엔지니어 첫 모델을 만듭니다. 여러 방법을 시험해 가장 나은 것을 고르고, 마지막에 처음 보는 데이터로 한 번 더 확인합니다.
  8. ML 엔지니어 하네스 기본 후보를 시험했습니다. 설명력(R²) -0.0503. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  9. ML 엔지니어 다음에 시험할 방법을 정했습니다. 하네스 기본 템플릿은 이 데이터에 맞게 튜닝되지 않았습니다. 480행·5특징·결측치 없음 조건에 맞춰 부스팅 하이퍼파라미터를 조정하고 불필요한 결측치 대체를 제거하면 r2를 개선할 수 있습니다.
  10. ML 엔지니어 후보 2번을 시험했습니다. 설명력(R²) -0.0768. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  11. ML 엔지니어 다음에 시험할 방법을 정했습니다. 하네스 기본 t1(r2 -0.0503)이 현재 최고이고, 같은 부스팅 계열을 튜닝한 t2는 오히려 더 나빴습니다(r2 -0.0768). 같은 방향 반복 대신 다른 모델 계열로 전환해 나이 예측 성능을 비교합니다.
  12. ML 엔지니어 후보 3번을 시험했습니다. 설명력(R²) -0.0759. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  13. ML 엔지니어 다음에 시험할 방법을 정했습니다. 트리 기반 모델 두 번의 시도가 모두 기준선을 넘지 못했으므로, 아직 시도하지 않은 정규화 선형 회귀 방향으로 한 번 더 실험합니다.
  14. ML 엔지니어 후보 4번을 시험했습니다. 설명력(R²) -0.0211. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  15. ML 엔지니어 다음에 시험할 방법을 정했습니다. t4가 최고 성적이지만 r2가 아직 음수이고, t4의 alpha=3.0은 데이터에 맞게 선택된 값이 아니므로 교차검증으로 alpha를 고르는 개선 실험을 제안합니다.
  16. ML 엔지니어 후보 5번을 시험했습니다. 설명력(R²) -0.0199. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  17. ML 엔지니어 다음에 시험할 방법을 정했습니다. t5가 최고 점수(-0.0199)지만 여전히 음수이고, 선형 모델의 한계를 넘기 위해 수치형 특성에 비선형 변환을 추가하는 실험을 제안합니다.
  18. ML 엔지니어 후보 6번을 시험했습니다. 설명력(R²) -0.0192. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  19. ML 엔지니어 다음에 시험할 방법을 정했습니다. t6가 r2=-0.0192로 최고지만 아직 음수이고, 지금까지 시도는 수치형 비선형성만 다뤘습니다. 범주형과 수치형의 상호작용을 추가하는 실험을 한 번 더 제안합니다.
  20. ML 엔지니어 후보 7번을 시험했습니다. 설명력(R²) -0.0133. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  21. ML 엔지니어 다음에 시험할 방법을 정했습니다. t7이 최고 점수(-0.0133)지만 여전히 음수이고, 수치형-범주형 상호작용을 명시적으로 추가하는 실험은 아직 시도되지 않았습니다. 이 방향이 남은 개선 여지가 가장 큽니다.
  22. ML 엔지니어 후보 8번을 시험했습니다. 설명력(R²) -0.0133. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
  23. ML 엔지니어 다음에 시험할 방법을 정했습니다. t7이 최고 점수(-0.0133)이고 t8은 같은 점수로 개선되지 않았습니다. 아직 시도되지 않은 수치형-범주형 상호작용 항을 추가하는 실험을 제안합니다.
  24. ML 엔지니어 가장 좋은 후보로 마무리합니다. 이미 시험한 코드와 같아 다시 학습하지 않았습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
  25. ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 설명력(R²) -0.00786입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.