인공지능 시대, 스코어링 모델 훈련 방법

출처: Towards Data Science

이 섹션에서 사용된 모든 코드는 GitHub에서 확인할 수 있습니다. 비즈니스 로직과 모델링 함수는 src/selection 디렉터리 아래에 위치하며, 구체적인 파일은 다음과 같습니다.

src/selection/logit_model_selection.py

해당 분석 및 결과는 다음 파일에 문서화되어 있습니다.

08_logistic_model_selection.qmd

코드 생성, 모델 학습 자동화, 메트릭 비교, 요약 테이블 생성이 이전보다 훨씬 쉬워졌습니다. 몇 가지 잘 구성된 프롬프트만으로도 데이터 과학자는 Python 스크립트를 작성하고, 로지스틱 회귀를 추정하며, AUC와 Gini를 계산하고, 그래프를 생성하고, 결과를 문서화할 수 있습니다.

하지만 이러한 속도는 위험을 동반합니다.

스코어링 모델은 단순히 성공적으로 실행되는 알고리즘이 아닙니다. 훈련 샘플에서 가장 높은 성능을 보이는 모델이라는 의미도 아닙니다. 전문적인 신용 위험 환경에서는 스코어링 모델이 통계적으로 타당하고, 시간에 따라 안정적이며, 해석 가능하고, 비즈니스 기대와 일치하며, 배포 후 모니터링이 용이해야 합니다.

이 글은 견고하고, 해석 가능하며, 안정적인 스코어링 모델을 구축하는 일련의 시리즈 중 하나입니다. 이전 글에서는 모델링 전 단계인 데이터셋 구축, 탐색적 데이터 분석 수행, [변수 준비](https