Hard
고차원 희소 데이터를 위한 머신러닝 파이프라인 최적화
결측치가 많고 불균형한 대규모 데이터 세트를 처리하는 엔드투엔드 ML 파이프라인을 구축합니다.
📝 Содержимое промпта
데이터 과학자로서, 결측치가 40% 이상이고 클래스 불균형이 심한 추천 시스템 데이터를 분석해야 합니다. 데이터 전처리(Imputation), 차원 축소, 그리고 SMOTE 등의 리샘플링 기법을 적용한 머신러닝 파이프라인을 구상하십시오. 또한 모델의 성능을 평가할 때 정확도(accuracy) 대신 어떤 지표를 사용해야 하는지 설명하십시오.