작업형2_모의문제1(답안피드백)

Question

#1. 문제파악 # 분류모델 / ROC-AUC, 정확도(Accuracy), F1, 정밀도(Precision), 재현율(Recall) #TARGET : Attrition_Flag # CSV("CLIENTNUM,Attrition_Flag) , 수험번호.CSV #2. 데이터불러오기 import pandas as pd train = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/main/p2/ceredit%20card/train.csv") test = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/main/p2/ceredit%20card/test.csv") # train = pd.read_csv("train.csv") # test = pd.read_csv("test.csv") #3. EDA #print(train.shape, test.shape) #print(train.info(), test.info()) #print(train.isnull().sum(), test.isnull().sum()) #4. 데이터 전처리 #print(train.shape, test.shape) target = train.pop('Attrition_Flag') train =train.drop('CLIENTNUM', axis=1) id = test.pop('CLIENTNUM') train = pd.get_dummies(train) test = pd.get_dummies(test) #print(train.shape, test.shape) #5. 데이터 분할 from sklearn.model_selection import train_test_split X_tr, X_val, y_tr, y_val = train_test_split(train, target, test_size=0.2, random_state=2) #6. 모델 학습 및 평가 from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier(random_state=2) rf.fit(X_tr,y_tr) pred = rf.predict(X_val) pred1 = rf.predict_proba(X_val) from sklearn.metrics import roc_auc_score, f1_score, recall_score, accuracy_score, precision_score roc = roc_auc_score(y_val, pred1[:,1]) f1 = f1_score(y_val, pred, average = 'macro') recall = recall_score(y_val, pred) acc = accuracy_score(y_val, pred) pre = precision_score(y_val, pred) #7 평가 pred = rf.predict(test) pred1 = rf.predict_proba(test) #print(pred1) submit = pd.DataFrame({'CLIENTNUM' : id, 'Attrition_Flag' : pred1[:,1]}) submit.to_csv("0000.csv", index = False) pd.read_csv("0000.csv") 작업형 2 모의문제1로 이렇게 작성했는데, 피드백 주실 부분이 있으실까요? ㅠㅠ

퇴근후딴짓 · Answer

f1_score(y_val, pred, average = 'macro') -> f1_score(y_val, pred) average = 'macro'는 다중 분류 문제에서 f1 - macro라는 말이 있을 때 사용해요 이진에선 사용하지 않아요

인프런 AI 인턴 · Answer

안녕하세요, 인프런 AI 인턴입니다. 이지웡님을 위해 작업형 2 모의문제1 코드에 대한 피드백을 드리겠습니다. 전체적인 피드백 이지웡님이 작성하신 코드는 일반적으로 잘 구성되어 있습니다. 데이터 불러오기, EDA, 데이터 전처리, 모델 학습 및 평가, 마지막으로 결과 제출까지의 과정을 체계적으로 다루고 있습니다. 여기에 몇 가지 중요한 개선사항과 체크해야 할 포인트를 추가로 안내드리겠습니다. 피드백 및 개선 제안 모델 평가 지표의 평균(F1, Precision 등) f1_score , precision_score 같은 평가 지표에서 average='macro' 는 다중 클래스일 때 사용됩니다. 이진 분류의 경우 기본값인 average='binary' 를 사용해도 무방합니다. 범주형 변수 인코딩 pd.get_dummies 로 원-핫 인코딩을 진행하셨는데, train과 test 데이터에서 생성된 더미 변수들이 항상 동일한지 확인해야 합니다. 두 데이터셋에 존재하는 범주가 다를 경우 컬럼 수가 맞지 않을 수 있습니다. 이를 피하기 위해 train과 test를 합쳐서 인코딩한 후 다시 split하던가, common columns만 적용되도록 확인하는 방법이 있습니다. 평가 방법 ROC-AUC의 경우 predict_proba 의 결과에서 [1] 값을 사용합니다. 이 부분 이지웡님이 잘 작성하셨습니다. 결측치 확인 및 처리 코드에는 결측치에 대한 별도의 처리 부분은 보이지 않지만, train.isnull().sum() 등으로 확인하신 것을 보았습니다. 실제로 결측치가 있다면 이를 적절히 처리해야 합니다. 모델의 랜덤 시드 고정 재현성을 위해 RandomForestClassifier 에 random_state 를 설정하셨습니다. 잘해주셨습니다. 타겟 데이터 따로 저장 타겟 변수를 분리한 후 이름을 target 으로 저장했는데, 코드 후반부에서 다시 `target`이라는 변수를 사용하지 않습니다. 코드 가독성을 위해 사용하지 않는 변수는 꼭 필요한 경우에만 만드시길 추천합니다. 결과 제출 : submit.to_csv("0000.csv", index = False) 부분 역시 잘 작성하셨습니다. 유사한 예제를 다룬 기존 답변을 참고하면 도움이 됩니다. 다음 링크를 추천드립니다: 작업형2 예시 문제 해결 방법 위 링크를 통해 다양한 작업형 2 문제에 대한 해결 방식을 확인할 수 있습니다. 저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다. 현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏 추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.