[Day 10] 딥러닝을 활용한 고객 이탈 예측 모델 구축

📌 개요

지난 포스팅에서는 랜덤 포레스트를 활용하여 고객 이탈(Churn) 예측 모델을 구축하였습니다. 이번 포스팅에서는 딥러닝(Deep Learning)을 활용하여 고객 이탈 예측 성능을 향상시키는 방법을 다루겠습니다.

---

1️⃣ 딥러닝을 활용한 고객 이탈 예측

딥러닝은 신경망(Neural Network)을 사용하여 데이터를 학습하는 강력한 머신러닝 기법입니다. 이번 실습에서는 인공신경망(ANN, Artificial Neural Network)을 활용하여 고객 이탈을 예측하는 모델을 개발하겠습니다.

🔹 딥러닝 모델의 장점

• 복잡한 패턴 학습 가능: 여러 층을 통해 비선형 관계를 학습 가능
• 대량의 데이터 처리 가능: 고객 행동 데이터를 효과적으로 분석 가능
• 다양한 문제에 적용 가능: 이미지, 텍스트뿐만 아니라 이탈 예측에도 효과적

---

2️⃣ 데이터 로드 및 전처리

먼저 데이터를 로드하고, 딥러닝 모델에 적합한 형식으로 전처리를 수행하겠습니다.

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder

# 데이터 로드
df = pd.read_csv("customer_churn_dataset.csv")

# 범주형 변수 인코딩
label_encoders = {}
for col in ['Contract_Type', 'Payment_Method']:
    le = LabelEncoder()
    df[col] = le.fit_transform(df[col])
    label_encoders[col] = le

# 특성과 타겟 변수 설정
X = df.drop(columns=['CustomerID', 'Churn'])
y = df['Churn']

# 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 데이터 정규화
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

✅ 코멘트:

• 범주형 변수(Contract_Type, Payment_Method)는 **레이블 인코딩(Label Encoding)**을 적용했습니다.
• 모든 데이터는 표준화(Scaling) 하여 모델 성능을 최적화했습니다.

---

3️⃣ 인공신경망(ANN) 모델 구축 및 학습

이제 Keras를 활용하여 인공신경망(ANN) 모델을 구축하고 학습하겠습니다.

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 딥러닝 모델 생성
model = keras.Sequential([
    layers.Dense(16, activation='relu', input_shape=(X_train.shape[1],)),
    layers.Dense(8, activation='relu'),
    layers.Dense(1, activation='sigmoid')  # 이진 분류이므로 sigmoid 활성화 함수 사용
])

# 모델 컴파일
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 모델 학습
history = model.fit(X_train, y_train, epochs=50, batch_size=16, validation_data=(X_test, y_test))

📌 결과 예시:

Epoch 50/50
63/63 [==============================] - 0s 5ms/step - loss: 0.3245 - accuracy: 0.8825 - val_loss: 0.3552 - val_accuracy: 0.8700

✅ 코멘트:

• 모델은 3개의 층을 가지며, relu 활성화 함수를 사용하여 비선형성을 학습합니다.
• sigmoid 활성화 함수는 이진 분류(0 또는 1 예측)에 적합합니다.
• adam 옵티마이저를 사용하여 학습 속도를 최적화했습니다.

---

4️⃣ 모델 성능 평가

학습된 모델을 평가하고 정확도를 확인하겠습니다.

# 모델 평가
loss, accuracy = model.evaluate(X_test, y_test)
print(f"Test Accuracy: {accuracy:.4f}")

📌 결과 예시:

Test Accuracy: 0.8700

✅ 코멘트:

• 신경망 모델이 87%의 정확도를 기록하며 랜덤 포레스트 모델과 비슷한 성능을 보였습니다.
• 추가적인 최적화를 통해 성능을 더욱 향상시킬 수 있습니다.

---

5️⃣ 모델 성능 개선 방법

🔹 과적합 방지 (Regularization)

# 드롭아웃(Dropout) 추가
model.add(layers.Dropout(0.2))

✅ 드롭아웃을 사용하면 모델이 특정 노드에 의존하는 것을 방지하여 일반화 성능을 향상시킬 수 있습니다.

🔹 하이퍼파라미터 튜닝

# 학습률 조정
optimizer = keras.optimizers.Adam(learning_rate=0.001)
model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])

✅ 학습률을 조정하면 모델이 더 빠르게 또는 안정적으로 수렴할 수 있습니다.

---

📌 마무리

이번 포스팅에서는 딥러닝을 활용하여 고객 이탈을 예측하는 인공신경망(ANN) 모델을 구축했습니다.

• 데이터 전처리: 범주형 변수 인코딩 및 표준화 적용
• 신경망 모델 구성: 3개 층을 사용한 인공신경망 모델 구축
• 성능 평가: 정확도 87% 달성
• 성능 개선: 과적합 방지 및 하이퍼파라미터 튜닝

다음 포스팅에서는 딥러닝을 활용한 추천 시스템 구축을 다뤄보겠습니다! 🚀