심화프로젝트 : 회귀분석을 활용한 월마트 주간 판매량 예측(5)

심화프로젝트 : 회귀분석을 활용한 월마트 주간 판매량 예측

💖 발표 후 받은 피드백

좋았던 부분

• 팀원별로 역할이 명확해 좋았다.
• 테이블별로 데이터 타입을 명시해 준 점과, 비고 부분에서 마크다운 컬럼에 결측치가 있다는 점을 명시한 점이 좋았다.
• 라벨인코딩에 대한 명확한기준이 있어 좋았다.
• 시각화시 연도별로 나눌 수 있는 구분선을 표기해줘서 좋았다.
• 선형회귀 모델을 선택하지 않은 이유를 숫자로 증명해서 좋았음.
• 추가로 변수를 넣을 생각을 잘 하지 않게 되는데, 가설1에서 추가컬럼 week 선정한 것 좋았음.
• 또한 가설을 조합해서 성능 개선을 할 생각을 한것이 좋았다. 
• 모델 안정성에 대해 고려한 것도 좋았다. -> 성능에 너무 초점에 맞춰지는 경우가 있는데 모델 안정성 ~
• 전체적으로  연결성이 있어서 좋았다.

아쉬운 부분

• 마크다운이 결측치가 64%가 넘었다는 거 좋았는데 50% 넘어가면 어떤 문제가 생기는지 말해줬으면 좋았을 듯함.
• Estimator 조정한 부분의 시도가 좋았지만 얼마만큼, 몇 번 조정해봤는지를 얘기해줬으면 더 좋았을 듯 하다.
• Feature importance를 앞장에 모델과 함께 연결해줘서 설명해주면 좋았을 듯.
• 의사결정자에게 대시보드를 준다는 이야기를 한 것은 좋지만, 어떤 의사결정자를 대상으로 하고 있는지 대상자를 명확하게 이야기했으면 더 좋았을 듯 하다.
• Ppt에 숫자가 빠짐 없이 있는 것은 좋았지만, 압축이 되었으면 좋았을 것.

 

👤 메인 튜터님 피드백

• 데이터 전처리 : 원-핫 인코딩과 라벨 인코딩을 적절히 활용하였으며, 연속적인 날짜 데이터를 '년', '월', '일'로 분리하여 계절성을 반영한 점이 주목할 만합니다.
• 모델 선택 및 성능
  • 초기 선형 회귀 모델의 R-squared 값이 0.0845로 낮았으나, 이는 비선형 관계를 시사합니다.
  • 랜덤 포레스트와 XGBoost 등 트리 기반 앙상블 모델을 사용하여 R-squared 값을 각각 0.975, 0.9862로 높여 비선형 패턴을 효과적으로 포착했습니다.
• 모델 최적화 및 평가
  • 그리드 서치와 랜덤 서치를 활용하여 하이퍼파라미터 튜닝을 진행하였으며, 모델 예측 정확도를 향상시켰습니다.
  • RMSE와 WMAE 지표를 사용하여 모델을 평가하였고, 특히 공휴일을 고려한 WMAE가 실제 영업 환경을 잘 반영했습니다.

👥 서브 튜터님 피드백

• 전처리와 모델 비교 내용에서 특별한 문제는 없었습니다.
• 대시보드를 포함한 발표가 실무에서 머신러닝을 잘 모르는 사람들에게도 훌륭한 발표로 평가될 수 있었습니다.

🍀 프로젝트를 하며 느낀 점

탐색부터 모델링까지 진행하며 이전 프로젝트보다 데이터를 다각도로 살펴볼수있어좋았다. 또한 모델을 구현하고 최적화 하는 과정에서 다방면으로 팀의 시너지를 경험할 수 있어서 의미 있는 프로젝트였다.