머신러닝

1. 문제 정의
   └─ 비즈니스 목표를 ML 문제로 변환
       ↓
2. 데이터 수집 및 탐색 (EDA)
   └─ 데이터 이해, 품질 확인
       ↓
3. 피처 엔지니어링
   └─ 새로운 특성 생성, 변환
       ↓
4. 모델 학습
   └─ 학습/검증 데이터 분리
   └─ 여러 모델 비교
       ↓
5. 모델 평가
   └─ 테스트 데이터로 성능 측정
       ↓
6. 배포 및 모니터링
   └─ 실제 환경에 적용
   └─ 성능 모니터링, 재학습

# 데이터 전처리
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.model_selection import train_test_split, cross_val_score
 
# 모델
from sklearn.cluster import KMeans
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
 
# 평가
from sklearn.metrics import (
    accuracy_score, precision_score, recall_score, f1_score,
    confusion_matrix, classification_report, roc_auc_score
)
 
# 시계열
from prophet import Prophet