🛠️ 기술 스택

• Python, Numpy, Pandas, Sklearn
• Matplotlib, Seaborn, Github, Slack

🖥️ 프로젝트 내용

데이터 탐색 및 전처리

• Kaggle에서 제공된 은행고객 이탈 데이터를 사용하여 컬럼의 상관관계와 이상치를 심층 분석했습니다.
• 팀원들과 분석 결과를 공유하고 의견을 나누며 불필요한 컬럼을 제거하고 유의미한 컬럼을 추가하여 데이터 전처리를 수행했습니다.
• 이렇게 준비된 데이터는 머신러닝 모델 학습에 필요한 형태로 가공되었습니다.

다양한 머신러닝 모델을 사용하고 성능을 비교, 이 과정에서 사용된 오버샘플링

• 사용된 ML 모델 : Logistic Regression, Random Forest(Feature Importance, SHAP Value, Permutation Importance), K-NN, XGBoost

• 평가 지표 : Accuracy, Precision, Recall, F1-Score, AUC-ROC Score

  ➡️ 성능 비교 결과

  • 팀원들과의 논의를 통해 다양한 모델의 성능을 비교한 결과, XGBoost가 가장 높은 정확도를 보였습니다.
  • XGBoost 모델의 성능을 더욱 향상시키기 위해 다양한 오버샘플링 기법을 적용하였고, 이를 통해 모델의 예측 성능을 최적화했습니다.

• 오버샘플링 : Random Over-sampling, SMOTE, Borderline-SMOTE, ADASYN

  ➡️ 성능 비교 결과

  • Precision과 Recall을 결과를 비교하고, Random Over-sampling은 SMOTE보다 랜덤성이 강하고 과적합의 우려가 있었습니다. 따라서 최종적으로 F1-score를 기준으로 SMOTE를 선정하여 모델의 성능을 최적화했습니다.

💡성장 경험

머신러닝 개발 기술 습득

• Python의 Numpy, Pandas, Sklearn, Matplotlib, Seaborn 등을 활용하여 데이터를 시각화하고, EDA(탐색적 데이터 분석)를 심층적으로 수행함으로써 데이터 분석 능력을 향상시켰습니다.
• Logistic Regression 모델을 담당하여 관련 지식을 심화시키고, 이를 팀원들과 효과적으로 공유하는 능력을 개발할 수 있었습니다.

협업 경험과 발표 능력 향상

• 우리 팀은 모두 비전공자로 구성되어 프로젝트 초기에는 기술적 지식 부족으로 많은 어려움을 겪었습니다. 특히, 머신러닝에서는 수학과 통계적 개념이 중요하게 작용하는데, 이를 수학 전공자로서 팀원들이 이해하는 데 도움을 주기 위해 힘썼습니다.
• 발표능력 향상을 목표로 하여 최종 프로젝트의 발표를 도맡아 하게 되었습니다. 이 과정에서 발표에 필요한 PPT를 작성하고 발표 준비를 진행하며, 팀원들과 협력하여 내용을 명확하게 전달할 수 있는 방법을 학습하였습니다. 발표 과정에서 피드백을 받고 개선하는 과정을 거치면서 발표 능력을 크게 향상시킬 수 있었습니다.