[플레이데이터 SK네트웍스 Family AI 캠프 6기] 8주차 회고

🗓️기간

24.11.14 - 24.11.15

👍👍Liked

두 번째 프로젝트를 완료했다. 이번 프로젝트는 머신러닝과 딥러닝 학습을 마친 후 진행되었으며, 고객 이탈 데이터를 분석하여 예측 모델을 만드는 것이 주제였다. 우리 팀은 신용카드 고객 이탈 예측 모델을 주제로 삼아 작업했다. 프로젝트를 통해 배운 내용을 전체적으로 복습하고 체득할 수 있어 좋았고, 전반적인 내용을 정리할 수 있었던 한 주였다.

📚 Learned

조별 과제를 진행하며 배운 점들이 많았다!

• 데이터 전처리

  • 이상치 처리: 데이터에 맞는 이상치 기준을 설정하는 방법과 여러 가지 처리 방식을 배울 수 있었다. - IQR, z-score, Boxplot 시각화
  • 결측치 처리: 결측치를 제거할지 대체할지 데이터 상황에 맞는 전처리 방법을 고민하며 상황별 접근법을 익혔다.
  • Encoding: 예측 시 사용할 수 있도록 학습한 preprocessor를 .pkl로 저장해야 한다는 점을 새로 배웠다. 다양한 인코딩 방식뿐 아니라 맞춤형 인코더도 직접 만들어 보았다. 아직 파이프라인 구현까지는 못 했지만, 곧 도전할 예정이다.

• 데이터 모델링

  • 모델별로 하이퍼파라미터를 조정하는 과정이 흥미로웠으며, 과적합(overfitting)과 과소적합(underfitting)을 평가하며 좋은 모델을 선택하는 경험을 쌓았다.

• 예측 평가

  • 수치형 데이터의 정규화를 미처 적용하지 않아 예측 결과가 변동폭이 큰 경향이 있다는 것을 깨달았다. 짧은 프로젝트 기간과 팀원의 일부 부재로 인해 프로젝트 중에는 보완하기 어려웠지만, 이번 주에 수정해 프로젝트 완성도를 높일 계획이다.

• Streamlit

  • 처음에는 다소 걱정했지만, 실제로 사용해보니 생각보다 쉬웠다. 다만 커스터마이징에는 한계가 있어 streamlit.markdown()을 사용해 CSS와 HTML 태그로 필요한 요소를 추가할 수 있었다. 동적 데이터 바인딩이 가능했으면 더 좋았겠지만, 현재 기능도 꽤 유용하게 느껴졌다.

🚧Lacked

• 파이프라인, 특성 스케일링(feature scaling), 특성 추출 (Feature Extraction)을 진행하고 싶었는데 시간적 여유가 부족했다.

🎯Longed For

• 프로젝트를 좀 더 향상시키고 피드백 받은 평가서 바탕으로 코드를 개선해보아야겠다.