준비된 데이터로 첫 기준 모델을 빨리 만들어줘. 설명은 짧게.

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

대화

ML 엔지니어 36,171행과 17개 항목을 읽었습니다. 첨부한 자료와 요청을 함께 확인합니다. 데이터를 살펴보거나 궁금한 내용을 물어볼 수 있습니다. 아직 모델 학습은 시작하지 않았습니다.
질문한 사람 준비된 데이터로 첫 기준 모델을 빨리 만들어줘. 설명은 짧게.
질문한 사람 예측할 결과 항목은 "정기예금가입"입니다. 이 항목으로 모델을 만들어주세요.
ML 엔지니어 준비된 데이터로 정기예금가입 여부를 예측하는 첫 기준 모델 계획을 세웠습니다. 아직 학습이나 평가는 실행하지 않았습니다.
ML 엔지니어 예측할 결과 항목을 "정기예금가입"으로 정하고, 준비된 데이터로 첫 기준 모델 계획을 세웠습니다. 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. 균형 정확도 73.5%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기준 모델 t1(균형정확도 0.7347)은 하네스 기본 템플릿이라 튜닝되지 않았습니다. 범주형 변수를 순서형 코드 대신 원-핫으로 바꿔 개선을 시도합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 73.9%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2 대비 개선 여지가 남아 있어, 전처리는 유지하고 부스팅 하이퍼파라미터만 조정하는 실험을 제안합니다.
ML 엔지니어 후보 3번을 시험했습니다. 균형 정확도 74.0%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t3(0.7399)보다 나은 방향으로 수치형 분포 변환과 파생 특징을 추가한 실험을 제안합니다.
ML 엔지니어 후보 4번을 시험했습니다. 균형 정확도 73.4%. 이전 후보가 더 좋아 그대로 둡니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t4의 수치 변환·파생 특징 방향은 효과가 없었으므로, t3을 기준으로 소수 클래스 분할을 세밀하게 하는 트리 복잡도 조정 실험을 제안합니다.
ML 엔지니어 후보 5번을 시험했습니다. 균형 정확도 73.5%. 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 다음에 시험할 방법을 정했습니다. t4·t5가 t3보다 낮아 전처리 확장과 트리 복잡도 방향은 소진되었습니다. t3의 내부 조기 종료가 소수 클래스 학습을 억제했을 가능성에 대한 새 가설로 전환합니다.
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 균형 정확도 73.8%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.