 |
을 정리하고, 부족한 데이터를 보완하기 위해 다양한 데이터 소스를 검토하며 변수를 추가하는 방식으로 문제를 해결해 나갔습니다. 또한, 단순한 회귀 분석뿐만 아니라 머신러닝 기반의 랜덤 포레스트, 로지스틱 회귀 등을 활용하여 예측 모
|
|
 |
변수들을 탐색 분석을 통해 도출하고, 랜덤 포레스트 기법을 활용해 수요 예측 모델을 설계했습니다. 이를 통해 예산 범위 내에서의 거점 전략과 매출 증대안을 수립했으며, 이 성과를 인정받아 최우수 인턴으로 선정되었습니다.
둘째, 기획
|
|
 |
변수 간 복잡한 상관관계 등으로 인해 모델 성능 향상에 어려움을 겪었습니다. 저는 데이터 전처리를 철저히 하고, 다양한 이상 탐지 알고리즘을 실험하며 최적의 모델을 찾기 위해 노력했습니다. 특히, 오토인코더와 랜덤 포레스트 모델을
|
|
 |
변수를 도출하였습니다. 더불어 고객 중요도 우선순위를 기반으로 랜덤 포레스트 기법을 활용하여 거점 수요를 예측하였습니다. 그 결과 예산에 부합한 사업계획을 수립한 논리를 인정받아 최우수 인턴으로 선정되었습니다.
더불어 저의 기
|
|
 |
랜덤 포레스트(Random Forest) 및 LSTM(Long Short-Term Memory) 모델을 적용하여 시계열 데이터를 보다 정밀하게 분석하였습니다.
또한, 데이터 노이즈를 줄이기 위해 Feature Engineering을 수행하여 주요 변수만을 선별하고, 경제 지표별 중요도를 분석하여
|
|
 |
랜덤 포레스트, SVM 등의 다양한 머신러닝 알고리즘을 적용하여 고객 이탈 예측 정확도를 비교하고 최적의 예측모형을 선정합니다.
모형 평가에는 Precision, Recall, F1-score, ROC-AUC 등을 활용하며, 최종적으로 중요 변수(feature importance)를 분석하여
|
|
메뉴펼치기
