1. 이번 주 학습 목표 (Objective)
- 통계적 검정(t-test, 카이제곱, ANOVA, 베이즈정리 등)을 활용한 데이터 해석력 향상
- z-score 정규화, 스케일링 등 다양한 전처리 방법을 실습하고 효과 비교
- scikit-learn 기반 머신러닝 기본 모델 학습 및 평가 지표 해석
- GridSearchCV를 활용한 하이퍼파라미터 튜닝 프로세스 이해
- 분류 모델(Logistic Regression, Decision Tree, Random Forest, XGBoost) 학습 및 성능 비교
- 실제 고객 데이터 기반 분류 문제 해결과 모델 실무 적용 감각 체득
2. 핵심 학습 내용 정리 (Summary)
📌 통계적 검정 및 확률 해석
- t-검정, 카이제곱 검정, ANOVA, 베이즈 정리 등을 통해 데이터 유형에 따른 유의성 검증 방법 습득
- 각 검정의 전제 조건과 해석 방법, p-value 기반 판단 기준 이해
📌 데이터 전처리 및 정규화
- z-score, StandardScaler 등 정규화 도구를 활용하여 변수 간 스케일 통일
- 결측값 처리, 레이블 인코딩, 스케일링 전/후 모델 성능 비교로 전처리의 중요성 체감
📌 머신러닝 모델 학습 및 비교
- 로지스틱 회귀, KNN, Random Forest, XGBoost를 실습하며 분류 모델 성능 비교
- 정확도, 정밀도, 재현율, F1-score 등 다양한 평가지표 직접 계산 및 비교
📌 하이퍼파라미터 튜닝
- GridSearchCV를 활용해 랜덤포레스트 최적 파라미터 조합 탐색 및 교차검증 수행
- 모델 성능 최적화를 위한 반복 실험의 중요성 인식
📌 실전 데이터셋 적용
- Titanic, 와인, 고객 구매 데이터 등 다양한 실제 데이터셋에 분석 기법 적용
- 변수 선택, 인코딩, 전처리부터 예측까지 실무 중심의 흐름으로 프로젝트 수행
배운,사용한 기술/서비스
- Visual Studio Code:
① 코드와 텍스트(Markdown)를 함께 작성할 수 있어 데이터 분석 흐름, 실험 결과, 시각화 자료 등을 하나의 문서로 일관되게 정리할 수 있습니다.
② 셀 단위 실행을 통해 코드를 순차적으로 확인하고 수정할 수 있어, 반복 실험과 디버깅에 유용하며, matplotlib, pandas, seaborn 등 다양한 시각화 및 분석 도구와 즉시 연동이 가능합니다.
- GitHub: 프로젝트의 변경 이력을 기록하고, 여러 명이 동시에 작업할 수 있도록 하였고, 오픈소스 공유, 이슈 관리, 브랜치 기능 등을 지원 받았습니다.
- Notion: 문서 작성, 일정 관리, 프로젝트 협업 등 다양한 기능이 통합된 올인원 생산성 도구로써 마크다운 지원, 페이지 계층 구조, 템플릿 활용으로 사용하였습니다.
3. 실습/프로젝트 경험 공유 (Experience)
📌 모델 성능 비교 실습
- 여러 모델(Logistic, Tree, RF, XGBoost) 학습 후 성별 예측 문제에 적용
- F1-score 기준으로 XGBoost와 RandomForest가 우수 성능을 보임
📌 전처리 전략별 성능 변화 관찰
- 스케일링 전/후 정확도 변화를 KNN, Logistic에서 비교해 전처리 효과 확인
- 결측값 처리, 불필요한 피처 제거, 레이블 인코딩 등을 통해 실전 데이터 클렌징 과정 체험
📌 GridSearchCV 실습
- 랜덤포레스트 하이퍼파라미터 튜닝으로 정확도 최대화 경험
- 실전에서 자동화된 모델 최적화 프로세스의 중요성과 효율성 체감
📌 통계적 분석 실습
- t-test, 카이제곱 검정으로 변수 간 차이 및 독립성 확인
- 베이즈 정리 적용으로 조건부 확률 계산을 통한 의사결정 흐름 이해
📌 시각화 및 해석 중심 분석
- plt.scatter(), countplot() 등을 활용한 시각적 인사이트 도출
- 혼동행렬, 상관계수, p-value 등 수치 기반 해석 능력 강화
GitHub
GitHub_Detail
들어가시면 그동안 해왔던 과정들을 보실 수 있습니다.
4. 느낀 점 및 인사이트 (Reflection)
- 단순 모델 학습을 넘어 전처리, 해석, 비교, 시각화 전 과정을 반복함으로써 실전 감각이 강화되었음
- 모델 성능은 데이터 준비 과정에서 대부분 결정된다는 교훈을 얻음
- 통계 검정과 머신러닝은 서로 보완 관계에 있으며, 데이터의 특성과 목적에 따라 적절히 혼합해야 함을 체감
- GridSearch, 파라미터 튜닝, 모델 비교 등 실무에서 꼭 필요한 도구와 전략을 코드 기반으로 습득하여 자신감과 실전 적용 가능성이 높아짐
- 앞으로 모델 해석력(변수 중요도, SHAP 등)을 더 강화하고, 심화된 전처리 자동화에도 도전하고 싶다는 동기 부여를 받음
5. 실무에 적용시키기
✔️ 데이터 기반 고객 분석 자동화
성별, 연령, 구매 패턴 등에 따라 고객을 분류하고, 모델을 통해 타겟팅 가능성 높은 고객군 선별
실시간 신규 고객을 예측 모델에 투입하여 개인 맞춤형 마케팅 전략 운영 가능
✔️ 모델 성능 개선을 위한 데이터 파이프라인 설계
결측값 처리, 스케일링, 인코딩 과정을 자동화하여 모델 재학습 시 반복 적용 가능
GridSearchCV 기반의 하이퍼파라미터 튜닝을 통해 안정적으로 성능을 확보하는 학습 흐름 구축
✔️ 정책 효과 및 고객 행동 분석에 통계 검정 활용
카이제곱 검정, t-검정, ANOVA 등을 통해 캠페인 효과 유의성 분석 가능
정량적 증거에 기반한 경영진 보고 및 전략 수립에 활용 가능
✔️ 현장 적합형 분석 보고서 작성 역량 강화
정확도 외에도 정밀도, 재현율, F1-score, 시각화 자료 등을 종합한 분석 리포트를 구성할 수 있어
실무진에게 설명력 있는 결과 공유가 가능함
✔️ 다중 모델 비교를 통한 예측 전략 다각화
단일 모델이 아닌 다양한 알고리즘의 장단점을 비교하고 상황에 따라 조합 적용 가능
성능뿐만 아니라 모델 해석력과 사용 용이성까지 고려한 의사결정 체계를 설계할 수 있음
