‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지…

누구나 볼 수 있는 공개 기록입니다. 읽기 전용.

사용자의 요구

‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지 알고 싶어

대화

ML 엔지니어 1,200행과 8개 항목을 읽었습니다. 첨부한 자료와 요청을 함께 확인합니다. 데이터를 살펴보거나 궁금한 내용을 물어볼 수 있습니다. 아직 모델 학습은 시작하지 않았습니다.
질문한 사람 ‘churn’ 열을 예측해줘. 다음 달에 어떤 고객이 떠날지 알고 싶어
ML 엔지니어 'churn' 열을 예측하는 모델을 만들 계획이에요. 다음 달에 떠날 고객을 알려면 고객별 이탈 여부를 맞히는 분류 모델이 필요해요. 지금은 학습을 실행하지 않았고, 아래 계획만 세워 두었어요.
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 66.4%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. 기본 하네스 모델은 이 데이터에 맞춰 조정되지 않은 참조 모델이므로, 범주형 인코딩과 트리 용량을 데이터에 맞게 바꾸는 실험을 제안합니다.
ML 엔지니어 후보 2번을 시험했습니다. 균형 정확도 67.4%. 지금까지 가장 좋습니다. 최종 확인은 마지막에 처음 보는 데이터로 합니다.
ML 엔지니어 다음에 시험할 방법을 정했습니다. t2가 하네스 기준선을 넘었지만 아직 최대값(1.0)과 0.326 차이가 남아 있고, 722행·6열의 작은 표 데이터에서 범주형 인코딩과 트리 용량을 바꿔볼 여지가 있어 한 번 더 개선 실험을 제안합니다.
ML 엔지니어 가장 좋은 후보로 마무리합니다. 새 후보 코드를 검사를 통과한 상태로 받지 못해 추가 시험은 멈췄습니다. 지금까지 가장 좋은 후보만 처음 보는 데이터로 최종 확인합니다.
ML 엔지니어 최종 확인을 마쳤습니다. 모델이 학습에 쓰지 않은 데이터에서 균형 정확도 65.0%입니다. 아래 보관된 모델 카드에서 이 결과로 예측을 시험해 볼 수 있습니다.