실전 모의고사 1회 — 이진분류: 통신사 고객 이탈 예측

아래 코드는 모두 실제 실행으로 검증되었습니다. 검증 환경과 결과 수치는 문서 맨 아래 검증 주석을 참고하십시오.

공통 import

문항을 풀기 전에 아래 import 블록을 한 번 실행해 두면 이후 문항에서 반복하지 않아도 됩니다.

import tensorflow as tf      # [환경] pandas보다 먼저 import — 아래 '로컬 환경 주의' 참고
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense, Dropout
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint

np.random.seed(42)
tf.random.set_seed(42)

💡 로컬 환경 주의 (시험장에서는 신경 쓸 필요 없습니다)
위 블록의 첫 줄이 import tensorflow as tf인 것은 오타가 아닙니다. 일부 로컬 환경(macOS + pyarrow가 설치된 pandas 조합)에서는 pandas를 tensorflow보다 먼저 import 하면 Q11의 model.fit이 아무 출력도 없이 멈춥니다. 데이터 준비 절의 생성 블록과 이 공통 import 블록 양쪽 모두 첫 줄을 tensorflow로 맞춰야 하며, 한쪽만 고치면 효과가 없습니다.
학습 셀이 진행되지 않고 멈춘다면 커널을 재시작한 뒤 데이터 생성 블록부터 다시 실행하십시오. 이미 pandas가 먼저 적재된 세션에서는 import 순서를 고쳐도 증상이 남습니다.

---

Q1 해답 — 데이터 로딩과 형태 확인 [5점]

정답 코드

df = pd.read_csv('telco_churn.csv')

print(df.shape)      # 1) 행·열 개수
print(df.head())     # 2) 상위 5개 행
print(df.info())     # 3) 자료형과 결측 여부

실행 결과 요지입니다.

(3000, 8)
  customer_id  tenure_months  ...  support_calls  churn
0      C00001              7  ...              1      0
...
 #   Column            Non-Null Count  Dtype
 0   customer_id       3000 non-null   str
 ...
 3   total_fee         2850 non-null   float64

왜 이렇게 푸는가

• shape·head·info 세 줄이 탐색의 표준 세트입니다. shape로 규모를, head로 값의 생김새를, info로 자료형과 결측을 한 번에 봅니다.
• 특히 info()의 Non-Null Count 열이 중요합니다. 전체 3000행인데 total_fee만 2850으로 찍히므로, 이 시점에서 이미 "결측 150건"을 알 수 있습니다. Q4에서 어느 컬럼을 손봐야 하는지가 여기서 결정됩니다.
• info()의 Dtype 열에서 str(또는 object)로 표시된 컬럼 — customer_id, contract_type, internet_service — 이 Q5·Q6에서 처리 대상이 됩니다. 탐색 단계의 출력이 전처리 계획서 역할을 합니다.

자주 틀리는 지점

• df.info()를 print() 없이 셀 마지막 줄에 두는 것. 노트북에서는 화면에 보이지만, 셀 중간에 있으면 아무것도 출력되지 않습니다. "출력하시오"라는 지시에는 예외 없이 print()를 붙이십시오.
• 파일 경로를 임의로 바꾸는 것. 문제지에 명시된 파일명을 그대로 써야 채점자가 재현할 수 있습니다.

---

Q2 해답 — 타깃 분포와 결측치 확인 [5점]

정답 코드

print(df['churn'].value_counts())                       # 클래스별 개수
print(df['churn'].value_counts(normalize=True).round(3))  # 클래스별 비율
print(df.isnull().sum())                                # 컬럼별 결측치 개수

실행 결과입니다.

churn
0    2113
1     887

churn
0    0.704
1    0.296

customer_id           0
tenure_months         0
monthly_fee           0
total_fee           150
contract_type         0
internet_service      0
support_calls         0
churn                 0

왜 이렇게 푸는가

• value_counts()는 개수, value_counts(normalize=True)는 비율을 줍니다. 문항이 "비율"까지 요구했으므로 두 줄 모두 필요합니다.
• 결과가 70.4% : 29.6% — 이 숫자가 이 모의고사 전체를 관통하는 조건입니다. 두 가지 결정이 여기서 나옵니다.
  1. Q7에서 stratify=y를 반드시 넣어야 합니다. 비율이 한쪽으로 기울어 있으므로, 무작위로 나누면 평가 데이터의 클래스 비율이 원본과 어긋납니다.
  2. Q12에서 accuracy만 보면 안 됩니다. 전부 0으로만 찍어도 정확도가 70%가 나오는 데이터이기 때문입니다.
• isnull().sum()은 컬럼별 결측 개수를 한 번에 보여 줍니다. Q1의 info()로도 알 수 있지만, "결측치 개수를 출력하시오"라는 지시에 가장 정확히 대응하는 함수입니다.

자주 틀리는 지점

• df.isnull().sum().sum()(전체 합계, 스칼라 하나)과 df.isnull().sum()(컬럼별 Series)을 혼동하는 것. 어느 컬럼인지를 묻는 문항에는 .sum() 하나만 붙입니다.
• 불균형을 확인해 놓고도 뒤 문항에서 stratify를 빠뜨리는 것. Q2의 출력은 보고 끝내는 정보가 아니라 Q7·Q12로 이어지는 근거입니다.

---

Q3 해답 — 시각화 [8점]

정답 코드

# 1) 계약 유형별 이탈 분포
sns.countplot(data=df, x='contract_type', hue='churn')
plt.title('contract_type vs churn')
plt.show()

# 2) 수치형 컬럼 상관 heatmap
num_cols = ['tenure_months', 'monthly_fee', 'total_fee', 'support_calls', 'churn']
sns.heatmap(df[num_cols].corr(), annot=True, cmap='Blues')
plt.title('numeric correlation')
plt.show()

그래프에서 읽히는 내용입니다(수치로 확인하면 아래와 같습니다).

계약유형별 이탈률
  month       0.390
  one_year    0.242
  two_year    0.125

왜 이렇게 푸는가

• countplot의 hue가 이 문항의 채점 포인트입니다. hue='churn'을 지정해야 계약 유형마다 막대가 유지/이탈 두 개로 나뉘어, "월 단위 계약이 이탈률이 높다"는 관계가 눈에 보입니다. hue가 없으면 계약 유형별 고객 수만 나올 뿐 이탈과의 관계는 전혀 드러나지 않습니다.
• heatmap에 annot=True 를 넣어야 각 칸에 상관계수 숫자가 찍힙니다. "각 칸에 상관계수 숫자가 표시되도록"이라는 지시가 곧 annot=True입니다.
• 대상 컬럼을 num_cols로 명시적으로 골라낸 이유가 중요합니다. df.corr()를 그냥 부르면 customer_id·contract_type 같은 문자열 컬럼 때문에 오류가 납니다. 실제로 실행하면 이렇습니다.

ValueError: could not convert string to float: 'C00001'

대안으로 df.select_dtypes(include='number').corr()를 써도 됩니다.

자주 틀리는 지점

• 문자열 컬럼이 섞인 채 df.corr() 호출 — 위 ValueError가 나는 가장 흔한 실수입니다. 상관 분석 전에는 수치형만 골라내는 한 줄이 반드시 필요합니다.
• plt.show()를 빠뜨려 그래프가 화면에 남지 않는 것. 시각화 문항은 그림이 출력된 상태가 답안입니다.
• 시각화 문항의 출제 비중은 회차에 따라 달라질 수 있으므로, 시험 공지 기준을 확인하십시오. 다만 그리는 데 시간을 많이 쓰지는 마십시오. 배점 대비 시간 소모가 큰 구간입니다.

---

Q4 해답 — 결측치 처리 [7점]

정답 코드

df['total_fee'] = df['total_fee'].fillna(df['total_fee'].median())

print('남은 결측치 총합:', df.isnull().sum().sum())

실행 결과입니다. (이 데이터에서 total_fee의 중앙값은 2148.03입니다.)

남은 결측치 총합: 0

왜 이렇게 푸는가

• fillna는 원본을 바꾸지 않고 새 Series를 반환합니다. 그래서 df['total_fee'] = ... 형태로 다시 대입해야 합니다. 이 한 가지가 이 문항 배점의 절반입니다.
• 중앙값(median)을 쓰라고 지시한 이유를 이해해 두십시오. total_fee는 가입 개월 × 월 요금으로 만들어져 값의 범위가 매우 넓고 오른쪽으로 길게 늘어진 분포입니다. 이런 분포에서 평균은 큰 값들에 끌려가지만 중앙값은 영향을 덜 받습니다. 다만 시험에서는 문항이 방법을 직접 지정하는 경우가 대부분이므로, 스스로 판단하기보다 지시된 함수를 정확히 쓰는 것이 우선입니다.
• 마지막 확인 출력이 0이어야 다음 단계로 넘어갈 수 있습니다. 결측치가 남은 채로 딥러닝 학습에 들어가면 오류 없이 loss: nan 이 나옵니다(Ch08 오류 유형 ③). 여기서 0을 확인해 두는 것이 뒤의 사고를 막습니다.

자주 틀리는 지점

• 재대입 누락. df['total_fee'].fillna(df['total_fee'].median())만 쓰고 넘어가는 경우입니다. 실제로 실행해 보면 결측치가 그대로 150건 남아 있습니다.

재대입 없이: 150 재대입 후 : 0

• df.fillna(df.median())처럼 데이터프레임 전체에 거는 것. 문자열 컬럼이 섞여 있어 의도치 않은 동작을 하거나 오류가 납니다. 지시된 컬럼 하나만 처리하십시오.
• 결측 행을 dropna()로 지워 버리는 것. 3,000행 중 150행이 사라지면 뒤 문항의 출력 형태가 전부 달라집니다. 지시는 "중앙값으로 대체"입니다.

---

Q5 해답 — 불필요한 컬럼 제거 [5점]

정답 코드

df = df.drop(columns=['customer_id'])

print(df.shape)
print(df.columns.tolist())

실행 결과입니다.

(3000, 7)
['tenure_months', 'monthly_fee', 'total_fee', 'contract_type',
 'internet_service', 'support_calls', 'churn']

왜 이렇게 푸는가

• drop도 새 데이터프레임을 반환합니다. df = df.drop(...)처럼 다시 대입해야 합니다(Q4와 같은 원리입니다).
• customer_id를 지우는 이유는 단순히 "쓸모없어서"가 아닙니다. 이 컬럼은 문자열이므로 남겨 두면 Q8의 StandardScaler에서 곧바로 오류가 납니다. 실제로 남긴 채 스케일링을 시도하면 이렇습니다.

ValueError: could not convert string to float: 'C00001'

즉 Q5는 독립된 정리 작업이 아니라 Q8이 성립하기 위한 선행 조건입니다.
- 만약 customer_id가 숫자 ID(예: 1, 2, 3, ...)였다면 오류는 안 나지만 더 위험합니다. 모델이 의미 없는 번호를 특성으로 학습하기 때문입니다. 식별자 컬럼은 자료형과 무관하게 제거가 원칙입니다.

자주 틀리는 지점

• df.drop(columns=['customer_id'])만 쓰고 재대입하지 않는 것.
• df.drop('customer_id')처럼 축을 지정하지 않는 것. drop의 기본 축은 행(index) 이라 KeyError가 납니다. 컬럼을 지울 때는 columns=[...] 또는 axis=1이 필요합니다.

---

Q6 해답 — 범주형 변수 인코딩 [8점]

정답 코드

df = pd.get_dummies(df, columns=['contract_type', 'internet_service'], dtype=int)

print(df.shape)
print(df.columns.tolist())

실행 결과입니다.

(3000, 11)
['tenure_months', 'monthly_fee', 'total_fee', 'support_calls', 'churn',
 'contract_type_month', 'contract_type_one_year', 'contract_type_two_year',
 'internet_service_dsl', 'internet_service_fiber', 'internet_service_no']

왜 이렇게 푸는가

• columns=[...]로 대상 컬럼을 명시합니다. 생략하면 문자 컬럼 전체가 한꺼번에 변환되는데, 이 단계에서는 문제가 없어 보여도 다른 데이터에서는 예상 밖의 컬럼까지 더미로 바뀝니다. 명시하는 습관이 안전합니다.
• dtype=int가 이 문항의 채점 포인트입니다. pandas 2.x 이후 get_dummies의 기본 출력은 불리언(True/False) 입니다. 문항이 "0과 1의 정수"를 요구했으므로 반드시 지정해야 합니다.

dtype 미지정: bool dtype=int : int64

• 컬럼 수 변화를 확인하십시오. 7개 → 11개입니다. 범주형 2개가 사라지고 각각 3개씩 총 6개의 더미 컬럼이 생겼기 때문입니다(7 − 2 + 6 = 11). 이 11개 중 churn을 뺀 10개가 Q10의 입력 특성 수가 됩니다.
• 라벨 인코딩이 아니라 원-핫 인코딩을 쓰는 이유는, month/one_year/two_year에 0/1/2를 붙이면 모델이 "two_year가 month의 2배"라는 없던 크기 관계를 학습하기 때문입니다.

자주 틀리는 지점

• dtype=int 누락. 불리언 컬럼도 스케일링·학습은 통과하지만, 지시를 어긴 것이므로 감점 대상입니다.
• 인코딩을 데이터 분리 뒤에 하는 것. 순서 규칙은 인코딩은 분리 전, 스케일링은 분리 후입니다. 분리 후에 각각 인코딩하면 한쪽에만 있는 범주 때문에 컬럼 구성이 달라집니다. 실제로 평가 데이터가 작을 때 재현해 보면 이렇습니다.

test 표본 3개일 때: train 컬럼 10개 / test 컬럼 7개 누락 컬럼 ['contract_type_one_year', 'contract_type_two_year', 'internet_service_dsl']

이 상태로 predict를 부르면 입력 shape 불일치 오류가 납니다.
- churn까지 인코딩 대상에 넣는 것. 타깃은 이미 0/1 정수이므로 건드리지 않습니다.

---

Q7 해답 — 학습 데이터와 평가 데이터 분리 [8점]

정답 코드

X = df.drop(columns=['churn'])
y = df['churn']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y)

print(X_train.shape, X_test.shape)
print(y_train.value_counts(normalize=True).round(3))
print(y_test.value_counts(normalize=True).round(3))

실행 결과입니다.

(2100, 10) (900, 10)
churn
0    0.704
1    0.296
churn
0    0.704
1    0.296

왜 이렇게 푸는가

• test_size=0.3이 "7:3"입니다. 인자가 지정하는 것은 평가 데이터의 비율이라는 점을 기억하십시오. 8:2면 0.2입니다. test_size=0.7로 쓰면 정반대가 됩니다.
• random_state=42 는 채점자가 같은 결과를 재현하기 위한 장치입니다. 지시된 숫자를 그대로 씁니다.
• "클래스 비율이 양쪽에 동일하게 유지되도록" = stratify=y 입니다. 문항이 stratify라는 단어를 직접 쓰지 않고 "층화 추출", "클래스 비율을 유지하여"처럼 우회 표현하는 경우가 많으므로, 이 표현을 인자로 옮기는 연습이 필요합니다.
• 효과를 수치로 확인하면 이렇습니다. stratify 없이 나누면 random_state 값에 따라 평가 데이터의 이탈 비율이 흔들립니다.

stratify 없음 random_state=0 → test 클래스1 비율 0.2878 stratify 없음 random_state=1 → test 클래스1 비율 0.2967 stratify 없음 random_state=7 → test 클래스1 비율 0.3011 stratify=y → test 클래스1 비율 0.2956 (원본 0.2957)

stratify=y를 쓰면 원본 비율 0.2957이 소수 넷째 자리까지 그대로 재현됩니다.
- X는 churn을 제외한 전체입니다. drop(columns=['churn'])으로 만들면 Q6에서 생성된 더미 컬럼까지 자동으로 포함되므로, 컬럼을 하나씩 나열하는 것보다 안전합니다.

자주 틀리는 지점

• 반환 순서 착각. train_test_split은 X_train, X_test, y_train, y_test 순서로 반환합니다. X_train, y_train, X_test, y_test로 받으면 오류 없이 진행되다가 학습 단계에서 이해할 수 없는 shape 오류가 납니다.
• stratify=y 누락. 이 데이터처럼 불균형이 있을 때 특히 손해가 큽니다.
• stratify='churn'처럼 문자열을 넣는 것. 타깃 배열 자체(y)를 넣어야 합니다.

---

Q8 해답 — 스케일링 [8점]

정답 코드

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)   # 학습 데이터: 계산 + 변환
X_test_scaled = scaler.transform(X_test)         # 평가 데이터: 변환만

print(X_train_scaled.shape, X_test_scaled.shape)
print('학습 데이터 평균:', X_train_scaled.mean().round(3),
      '/ 표준편차:', X_train_scaled.std().round(3))

실행 결과입니다.

(2100, 10) (900, 10)
학습 데이터 평균: 0.0 / 표준편차: 1.0

왜 이렇게 푸는가

• "평가 데이터의 정보가 변환 규칙에 섞이지 않도록" = 학습 데이터에만 fit 하라는 뜻입니다. fit은 "평균과 표준편차를 계산해 기억하는" 동작입니다. 전체 데이터로 fit하면 평가 데이터의 통계량이 변환 규칙에 들어가고, 이것이 데이터 누수(data leakage) 입니다. 평가 점수가 실제보다 좋게 나와 모델을 과대평가하게 됩니다.
• 그래서 순서는 세 줄로 고정됩니다. ① 먼저 나눈다 → ② X_train에 fit_transform → ③ X_test에 transform.
• 학습 데이터의 평균이 0.0, 표준편차가 1.0으로 나오는 것이 StandardScaler가 제대로 동작했다는 증거입니다. 반면 평가 데이터의 평균은 정확히 0이 아닙니다(이 데이터에서는 0.011). 학습 데이터 기준으로 변환했기 때문이며, 이것이 정상입니다.
• 딥러닝에서 스케일링은 사실상 필수입니다. total_fee는 수천 단위, support_calls는 한 자릿수인데 이대로 넣으면 큰 값을 가진 특성이 가중치 갱신을 지배해 학습이 제대로 진행되지 않습니다.

자주 틀리는 지점

• 평가 데이터에도 fit_transform을 쓰는 것. 가장 흔한 감점 패턴입니다. X_test_scaled = scaler.fit_transform(X_test)로 쓰면 평가 데이터의 자체 통계로 다시 변환되어 학습 데이터와 기준이 달라집니다.
• 분리 전에 scaler.fit_transform(X) 한 줄로 끝내고 나서 train_test_split을 부르는 것. 오류가 나지 않아 알아채기 어렵습니다.
• 뒤 문항에서 스케일링 안 된 X_train을 그대로 넣는 것. 딥러닝 모델에는 반드시 X_train_scaled를 넣습니다. 변수명이 비슷해 헷갈리기 쉬우니, 학습 코드를 쓸 때 _scaled가 붙어 있는지 눈으로 한 번 확인하십시오.

---

Q9 해답 — 머신러닝 베이스라인 [10점]

정답 코드

rf_model = RandomForestClassifier(n_estimators=100, random_state=42)   # 1) 생성
rf_model.fit(X_train_scaled, y_train)                                  # 2) 학습
rf_pred = rf_model.predict(X_test_scaled)                              # 3) 예측

print('RandomForest accuracy:', round(accuracy_score(y_test, rf_pred), 4))
print(classification_report(y_test, rf_pred))

실행 결과입니다.

RandomForest accuracy: 0.73

              precision    recall  f1-score   support
           0       0.78      0.87      0.82       634
           1       0.56      0.40      0.47       266
    accuracy                           0.73       900
   macro avg       0.67      0.63      0.64       900
weighted avg       0.71      0.73      0.72       900

왜 이렇게 푸는가

• sklearn 모델은 "생성 → fit → predict" 세 줄이면 끝납니다. 알고리즘이 바뀌어도 클래스 이름만 교체하면 됩니다.
• random_state=42가 여기에도 필요합니다. 랜덤 포레스트는 이름 그대로 무작위성을 쓰는 모델이라, 지정하지 않으면 실행할 때마다 성능이 달라져 재현이 되지 않습니다. train_test_split에만 넣고 모델에는 빠뜨리는 경우가 많습니다.
• 모델 변수명을 rf_model로 지정한 것이 이 문항의 숨은 함정입니다. 교재 표준에서 model은 Keras 모델을 가리킵니다. 여기서 model = RandomForestClassifier(...)로 써 두면, Q10에서 model = Sequential()을 만드는 순간 베이스라인이 사라집니다. 그 자체로는 오류가 아니지만, "딥러닝이 베이스라인보다 나은가"를 마지막에 다시 비교할 수 없게 됩니다. 실기에서는 앞뒤 문항이 같은 변수를 이어 쓰므로, 이름 충돌을 미리 피하는 습관이 필요합니다.
• 베이스라인의 목적은 최고 성능이 아니라 기준선입니다. 뒤에 만들 딥러닝 모델이 이 점수보다 크게 낮다면 전처리나 모델 설정에 문제가 있다는 신호로 읽으면 됩니다.
• 여기서 이미 불균형의 그림자가 보입니다. 전체 accuracy는 0.73으로 나쁘지 않아 보이지만, 정작 찾아내야 할 이탈 고객(클래스 1)의 recall은 0.40 입니다. 실제 이탈자 266명 중 107명만 잡아냈다는 뜻입니다. Q12에서 이 관점을 다시 씁니다.

자주 틀리는 지점

• 모델에 random_state를 빠뜨리는 것.
• 원본 X_train을 넣는 것. 랜덤 포레스트는 스케일링에 둔감해서 성능이 크게 달라지지 않지만, 문항이 X_train_scaled를 쓰라고 지시했다면 지시를 따르는 것이 채점 기준입니다.
• accuracy_score(rf_pred, y_test)처럼 인자 순서를 바꾸는 것. accuracy는 대칭이라 값이 같지만, classification_report는 첫 번째가 실제값, 두 번째가 예측값이라는 순서가 지켜져야 precision·recall이 뒤바뀌지 않습니다.

---

Q10 해답 — 딥러닝 모델 구성과 컴파일 [12점]

정답 코드

# ===== 구성 =====
model = Sequential()
model.add(Input(shape=(X_train_scaled.shape[1],)))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(1, activation='sigmoid'))      # 이진분류 출력층
model.summary()

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

summary() 출력의 요지입니다.

 Layer (type)          Output Shape       Param #
 dense (Dense)         (None, 64)             704
 dropout (Dropout)     (None, 64)               0
 dense_1 (Dense)       (None, 32)           2,080
 dropout_1 (Dropout)   (None, 32)               0
 dense_2 (Dense)       (None, 1)               33
 Total params: 2,817

왜 이렇게 푸는가

• 입력 shape를 X_train_scaled.shape[1]로 자동 계산합니다. 이 데이터의 특성은 10개지만, 숫자 10을 직접 적으면 앞 문항에서 컬럼이 하나만 달라져도 shape 불일치 오류가 납니다. shape[1]로 쓰면 Q6·Q7의 결과가 무엇이든 자동으로 맞습니다. Q10이 Q6·Q7의 결과를 이어받는 지점이 바로 이 한 줄입니다.
• 출력층 Dense(1, activation='sigmoid') 인 이유는 이진분류이기 때문입니다. 노드가 1개인 것은 "이탈일 확률" 하나만 있으면 충분하기 때문이고(유지 확률은 1에서 빼면 됩니다), sigmoid인 것은 출력을 0~1 확률로 눌러 주기 위해서입니다.
• binary_crossentropy와 sigmoid는 언제나 짝으로 움직입니다. 손실 함수만 바꾸고 출력층을 그대로 두거나, 그 반대로 하는 것이 가장 흔한 사고입니다.
• Dropout은 은닉층 Dense 뒤에만 넣습니다. 출력층 뒤에 두면 최종 확률값 자체가 무작위로 0이 되어 예측이 망가집니다. 비율 0.3은 관례적 기본값이며, 문항에 지정이 없으면 0.2~0.5 범위에서 고르면 됩니다.
• 은닉층 노드 수를 64 → 32로 줄여 가며 쌓는 것은 관례적인 구성입니다. 성능에 결정적이지는 않으므로 여기에 시간을 쓰지 마십시오. "은닉층 2개 이상", "Dropout 포함"이라는 지시 조건을 충족했는지가 채점 항목입니다.

자주 틀리는 지점

• 입력 shape에 샘플 수를 넣는 것. Input(shape=(2100, 10))은 틀립니다. 행 수는 넣지 않습니다.
• 출력층에 softmax를 쓰는 것. 노드가 1개인 층에 softmax를 걸면 그 값은 언제나 1이 되어 학습이 전혀 되지 않습니다. 오류도 나지 않아 발견이 늦습니다.
• metrics='accuracy'를 리스트 없이 쓰는 것. 최신 버전에서는 통과하는 경우가 있지만, metrics=['accuracy']처럼 리스트로 감싸는 것이 표준입니다.
• 구성만 하고 compile()을 빠뜨리는 것. 컴파일 없이 fit을 부르면 "모델이 컴파일되지 않았다"는 오류가 납니다. 구성과 컴파일은 한 세트로 붙여 쓰십시오.

---

Q11 해답 — 콜백을 적용한 학습 [12점]

정답 코드

es = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)
mc = ModelCheckpoint('best_model.keras', monitor='val_loss', save_best_only=True)

history = model.fit(X_train_scaled, y_train,
                    epochs=100, batch_size=32,
                    validation_split=0.2,
                    callbacks=[es, mc], verbose=0)     # verbose는 0/1 무엇이든 무방

print('실제로 학습한 epoch 수:', len(history.history['loss']))
print('history 키:', list(history.history.keys()))
best_epoch = int(np.argmin(history.history['val_loss'])) + 1
print('최저 val_loss:', round(min(history.history['val_loss']), 4), '@ epoch', best_epoch)

# 학습 곡선
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='train loss')
plt.plot(history.history['val_loss'], label='val loss')
plt.xlabel('epoch'); plt.ylabel('loss'); plt.legend()

plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], label='train accuracy')
plt.plot(history.history['val_accuracy'], label='val accuracy')
plt.xlabel('epoch'); plt.ylabel('accuracy'); plt.legend()

plt.tight_layout()
plt.show()

실행 결과입니다.

실제로 학습한 epoch 수: 10
history 키: ['accuracy', 'loss', 'val_accuracy', 'val_loss']
최저 val_loss: 0.5165 @ epoch 5

왜 이렇게 푸는가

• epochs=100을 지정했는데 10에서 끝난 것이 EarlyStopping이 동작했다는 증거입니다. val_loss가 5번째 epoch에서 최저를 찍은 뒤 5번(patience=5) 더 지켜봤지만 개선되지 않아 10에서 중단했습니다. print('실제로 학습한 epoch 수:', len(history.history['loss'])) 한 줄이 그 확인 방법입니다. 중단 시점은 실행마다 달라집니다(검증 환경에서 10~20 범위). 숫자 자체가 아니라 상한 100보다 훨씬 앞에서 끝났다는 사실이 채점 포인트입니다.
• verbose는 0이든 1이든 상관없습니다. 1이면 epoch마다 진행 로그가 흐르고 0이면 조용합니다. 다만 화면 로그는 채점 근거가 아니므로, 어느 쪽을 쓰든 위의 len(history.history['loss']) 출력은 남겨야 합니다. (2회차 Q11도 같은 규칙입니다.)
• restore_best_weights=True가 이 문항의 핵심 인자입니다. 이것을 빠뜨리면 학습은 최저점에서 멈추지만 모델에 남는 가중치는 중단 시점(10번째)의 것입니다. 즉 최고 성능 지점을 지나쳐 놓고 그보다 나쁜 상태로 평가하게 됩니다. "가장 좋았던 시점의 가중치를 복원"이라는 지시가 곧 이 인자입니다.
• ModelCheckpoint의 save_best_only=True 는 매 epoch마다 덮어쓰지 않고 val_loss가 개선될 때만 파일을 갱신합니다. 확장자는 .keras 를 쓰십시오. Keras 3에서 .h5는 여전히 동작하지만 .keras가 표준이며, 확장자 없이 'best_model'처럼 쓰면 오류가 납니다.
• callbacks=[es, mc]처럼 리스트로 전달해야 합니다. 콜백 객체를 만들어 놓고 fit에 넘기지 않으면 아무 일도 일어나지 않습니다. 오류도 나지 않아 "EarlyStopping을 넣었는데 100 epoch을 다 돌았다"는 상황이 생깁니다.
• validation_split=0.2 는 X_train의 뒤쪽 20%를 잘라 검증에 씁니다. 여기서 잘라내는 것은 학습 데이터의 일부이며, X_test는 이 과정에 전혀 관여하지 않습니다. 평가 데이터는 마지막 Q12에서 딱 한 번만 씁니다.
• 학습 곡선은 history.history의 네 개 키로 그립니다. 키 이름이 기억나지 않으면 print(history.history.keys())로 먼저 확인하십시오. 이진분류에서는 accuracy/val_accuracy지만, 회귀에서는 mae/val_mae가 되므로 유형에 따라 달라집니다.

자주 틀리는 지점

• restore_best_weights=True 누락 — 지시문에 명시된 조건이므로 그 자체로 감점이며, 평가 성능도 손해를 봅니다.
• callbacks=[es, mc] 전달 누락 또는 callbacks=es처럼 리스트 없이 넘기는 것.
• validation_split과 validation_data 혼동. validation_split은 비율(숫자), validation_data는 (X_val, y_val) 튜플입니다. 둘을 바꿔 쓰면 오류가 납니다.
• X_train(스케일링 전)을 넣는 것. 이 경우 오류는 없지만 accuracy가 낮은 값에서 잘 오르지 않습니다.
• 학습 곡선에서 history.history['acc']처럼 옛 키 이름을 쓰는 것. 최신 Keras는 accuracy입니다. KeyError가 나면 키 목록부터 출력하십시오.

시간 관리 조언 — 시험장에서 epochs=100을 그대로 걸고 기다리다 시간을 잃는 일이 흔합니다. 먼저 epochs=20 정도로 한 번 완주시켜 Q12의 평가 출력까지 만들어 두고, 시간이 남으면 epochs=100으로 다시 돌리십시오. EarlyStopping은 어느 쪽이든 반드시 넣어 둡니다(지시 조건이므로).

---

Q12 해답 — 평가와 성능 해석 [12점]

정답 코드

# 1) evaluate
loss, acc = model.evaluate(X_test_scaled, y_test, verbose=0)
print('test loss:', round(loss, 4), '/ test accuracy:', round(acc, 4))

# 2) predict → 임계값 0.5로 클래스 변환
pred = model.predict(X_test_scaled, verbose=0)
y_pred = (pred > 0.5).astype(int).flatten()

# 3) 상세 지표
print(classification_report(y_test, y_pred, digits=3))
print(confusion_matrix(y_test, y_pred))

# 4) 전부 0으로만 예측했을 때의 정확도
naive = np.zeros(len(y_test), dtype=int)
print('무조건 0 예측 accuracy:', round(accuracy_score(y_test, naive), 4))

# 이 데이터는 유지:이탈이 약 7:3이라 전부 0으로 찍어도 정확도가 0.70이 나온다.
# 따라서 accuracy가 아니라 클래스 1의 recall과 f1으로 판단해야 한다.

실행 결과입니다.

test loss: 0.4986 / test accuracy: 0.7467

              precision    recall  f1-score   support
           0      0.801     0.852     0.826       634
           1      0.584     0.496     0.537       266
    accuracy                          0.747       900
   macro avg      0.693     0.674     0.681       900
weighted avg      0.737     0.747     0.740       900

[[540  94]
 [134 132]]

무조건 0 예측 accuracy: 0.7044

왜 이렇게 푸는가

• evaluate와 predict는 반환값이 다릅니다. evaluate는 컴파일 때 지정한 [loss, accuracy] 두 숫자를 돌려주고, predict는 샘플별 확률 배열 (900, 1)을 돌려줍니다. 문항이 "loss와 accuracy"를 요구하면 evaluate, "예측 결과"를 요구하면 predict입니다.
• (pred > 0.5).astype(int)가 확률 → 클래스 변환입니다. pred에는 0.009, 0.166 같은 확률이 들어 있고, 이대로는 분류 지표를 계산할 수 없습니다. 실제로 확률을 그대로 넣으면 이런 오류가 납니다.

ValueError: Classification metrics can't handle a mix of binary and continuous targets

.flatten()은 (900, 1)을 (900,)으로 펴 주는 정리 작업입니다. sklearn은 (N, 1) 형태도 받아 주지만, y_test와 형태를 맞춰 두면 이후 계산에서 헷갈릴 일이 없습니다.
- 혼동 행렬을 읽는 법입니다. [[540, 94], [134, 132]]는 행이 실제값, 열이 예측값입니다.

즉 실제 이탈 고객 266명 중 134명을 놓쳤습니다.
- 4번이 이 모의고사 전체의 결론입니다. 아무 학습도 하지 않고 전부 "유지"로만 찍어도 정확도가 0.7044입니다. 우리 모델의 정확도는 0.7467 — 겨우 4%p 높습니다. accuracy만 보면 "70% 넘으니 괜찮다"고 오판하게 되는 구조입니다.
- 실제로 봐야 할 것은 클래스 1(이탈)의 recall 0.496과 f1 0.537 입니다. 전부 0으로 찍는 모델은 클래스 1의 recall이 0.000이므로, 이 지표에서 우리 모델이 확실한 개선을 보였다는 것이 드러납니다. classification_report가 필요한 이유가 정확히 여기에 있습니다.
- support 열(634 / 266)도 함께 보십시오. 클래스별 표본 수가 크게 다르면 그 자체가 불균형 신호이고, 이때 macro avg(클래스를 동등 취급)와 weighted avg(표본 수로 가중)의 차이가 벌어집니다. 여기서도 macro f1 0.681 vs weighted f1 0.740으로 벌어져 있습니다.
- 참고로 Q9의 랜덤 포레스트는 accuracy 0.73 / 클래스 1 recall 0.40이었습니다. 딥러닝 모델이 정확도는 비슷하지만 이탈 고객을 더 많이 잡아냈다는 점이 실질적인 개선입니다. 베이스라인을 남겨 둔 덕분에 이 비교가 가능합니다(Q9에서 변수명을 rf_model로 분리한 이유입니다).

자주 틀리는 지점

• 확률값을 그대로 classification_report에 넣는 것. 위 ValueError가 나는 대표적인 사고입니다. 임계값 변환 한 줄을 반드시 거치십시오.
• np.argmax(pred, axis=1)를 쓰는 것. 이것은 다중분류용입니다. 이진분류의 pred는 열이 1개뿐이라 argmax를 걸면 전부 0이 나옵니다. 오류가 나지 않아 발견이 매우 늦습니다.
• accuracy만 출력하고 끝내는 것. 이 문항은 "정확도만으로 판단하면 안 되는 이유"까지 요구합니다. 불균형 데이터에서는 classification_report와 혼동 행렬이 함께 있어야 답안이 완성됩니다.
• evaluate의 반환값을 하나로 받는 것. acc = model.evaluate(...)로 쓰면 acc에 리스트 [loss, accuracy]가 통째로 들어갑니다. 컴파일 때 metrics를 몇 개 지정했는지에 따라 반환 개수가 달라진다는 점을 기억하십시오.

---

채점표

배점은 교재 자체 기준입니다. 실제 시험의 배점 체계는 공개되어 있지 않으므로 학습 우선순위를 정하는 참고용으로만 사용하십시오.

---

이 회차에서 반드시 가져갈 것

한 문장으로: 이 회차의 진짜 문제는 모델이 아니라 지표를 고르는 눈입니다. 정확도 0.75를 보고 만족하는 답안과, 클래스 1의 recall 0.50을 짚어내는 답안의 차이가 이 시험이 보려는 것입니다.

---