Bootcamp MissionData / ML

은행 마케팅 반응 예측

은행 마케팅 데이터로 고객 반응 여부를 분류하는 모델 실습

게시 2026-07-10

Pythonpandasscikit-learnXGBoostLightGBMJupyter

Repository개인 저장소

malit9999/ml-bank-marketing-classification-mission-04

Contents · 목차

무엇을 하는 미션인가
불균형을 다룬 방법
평가 결과
한계

무엇을 하는 미션인가

은행 마케팅 전화에 고객이 응답할지 분류하는 미션입니다. 응답 비율이 낮은 불균형 데이터라, 불균형 처리와 지표 선택이 이 미션의 중심이었습니다.

불균형을 다룬 방법

두 가지를 함께 썼습니다.

리샘플링 — SMOTE, SMOTETomek을 적용해 학습 데이터의 클래스 비율을 조정
가중치 — 모델 쪽에서 class_weight="balanced"(CatBoost는 auto_class_weights="Balanced")

분할은 train_test_split(..., stratify=y)로 클래스 비율을 유지했고, 학습 세트를 다시 학습·검증으로 나눌 때도 stratify를 유지했습니다. 전처리는 Pipeline 안에 넣어 학습 데이터에서만 fit되도록 했습니다.

평가 결과

튜닝 후 테스트셋 기준입니다.

모델	Accuracy	Precision	Recall	F1	ROC-AUC	PR-AUC
RandomForest (tuned)	0.8854	0.4952	0.8966	0.6380	0.9517	0.6750
Logistic (tuned)	0.8639	0.4486	0.9084	0.6006	0.9403	0.5926
DecisionTree (tuned)	0.8429	0.4135	0.9429	0.5749	0.9436	0.6366

Accuracy만 보면 판단이 어긋나는 데이터입니다. 세 모델 모두 Recall이 0.9 안팎인데 Precision은 0.41~~0.50에 머뭅니다. 응답할 고객을 놓치지 않는 대신 헛걸음이 늘어나는 구성이라, Accuracy(0.84~~0.89)보다 PR-AUC와 F1이 차이를 드러냅니다.

한계

임계값을 0.5에서 조정하지 않았습니다. Precision–Recall 균형은 임계값으로 크게 달라집니다
비교는 단일 실행이며 시드 반복이 없습니다
CatBoost·XGBoost·LightGBM도 함께 학습했지만 최종 비교표에는 위 세 모델만 남아 있습니다