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 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 환자번호, 예약까지일수, 문자알림, 이전노쇼횟수, 노쇼여부를 사용하고, 나이는 정답 열이라 입력에서 제외합니다. 회귀 문제이므로 지표는 r2, 분할은 iid_feature_groups_60_20_20_v1, 평가 단위는 unique_feature_group, 예측 단위는 row로 정했습니다. 전달 방식은 예측 제공(api)과 모델 파일(model)을 모두 지원하는 api_and_model로 제안합니다. 아직 학습이나 평가는 실행하지 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) -0.601. 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 -0.60으로 최대값 1.0과 큰 차이가 있습니다. 결측치가 없어 전처리 이득은 제한적이므로, 히스토그램 그래디언트 부스팅의 학습률·반복 수·리프 수를 이 데이터에 맞게 조정하는 실험을 제안합니다.
- ML 엔지니어 후보 2번을 시험했습니다. 설명력(R²) -0.107. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
- ML 엔지니어 다음에 시험할 방법을 정했습니다. 현재 최고 모델 t2는 하이퍼파라미터만 조정한 상태로 r2가 -0.1069에 머물러 있어, 특성 표현을 확장하는 실험이 남은 예산 안에서 개선 가능성이 가장 큽니다.
- ML 엔지니어 가장 좋은 후보로 마무리합니다. 이미 시험한 코드와 같아 다시 학습하지 않았습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
- ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 설명력(R²) -0.0507입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.