「워크숍 참석 인원 예측」은 pandas와 회귀 기초를 아는 학습자를 위한 실습 과정입니다. 지역 스튜디오는 재료 준비를 위해 각 워크숍 7일 전에 인원을 추정해야 합니다. 적절한 시점에 알려진 정보만 사용하고 실제 예측 오차를 측정하여 작은 모델과 단순 기준선을 비교하는 반복 가능한 분석을 만듭니다.
가이드 랩 2개에서 예측 마감, 학습 고정, 날짜 기반 평가, 학습 전용 결측 처리, 짧은 회귀 Pipeline을 배웁니다. 독립 챌린지 1개는 같은 방식을 다른 시즌에 적용합니다. 각 단원은 자체 준비 데이터를 사용하며 파일과 프로세스를 넘기지 않습니다. 총 165분은 읽기와 일반 오류 수정을 포함한 저자 추정이지 초보자 실측 시간이 아닙니다.
학습 내용
- 7일 전 예약 스냅숏을 최종 예약 및 행사 이후 스캔과 구분합니다.
- 이후 예측일 전에 학습을 고정하고 이후 레이블 있는 워크숍을 평가용으로 남깁니다.
- 학습 행에서 결측 전처리를 학습하고 홀드아웃에서 배우지 않고 재사용합니다.
- 인원 단위 MAE로 연속 회귀 예측과 학습 중앙값 기준선을 비교합니다.
- 워크숍 ID로 실제 값, 예측, 그려진 오차를 연결합니다.
- 결과를 안다고 가정하지 않고 미래 예측을 내보냅니다.
추천 대상
기초 회귀를 작고 정직한 계획 작업 흐름으로 조합할 준비가 된 학습자를 위한 과정입니다.
선수 지식: Python 함수, 터미널 입력, pandas 표 선택과 결합, 기본 Scikit-learn 회귀, 학습/테스트 분리, 기초 Matplotlib이 필요합니다. 데이터와 한계 해석 연습으로 Choosing Opening Hours from Data를 권장합니다.
학습 환경: 브라우저 WebIDE에 독자적인 합성 CSV, Python, pandas, NumPy, Scikit-learn, Matplotlib이 준비되어 있습니다. 로컬 설치나 외부 데이터셋 계정은 필요 없습니다. 프로그램, 출력, 인터페이스 레이블은 영어로 유지됩니다.
자주 묻는 질문
모델이 기준선을 이겨야 하나요?
아니요. 올바른 비교라도 모델에 추가 가치가 없을 수 있습니다. 목표는 정직한 평가이지 정해진 점수가 아닙니다.
많은 모델을 조정하나요?
아니요. 작은 평균 대체와 선형 회귀 흐름을 사용합니다. 무엇을 언제 아는지, 오차가 무엇을 뜻하는지가 핵심 판단입니다.
운영 예측인가요?
아니요. 작은 데이터셋은 독자적인 합성 교육 자료입니다. 재현 가능한 흐름을 보여 줄 뿐 실제 장소의 신뢰성을 입증하지 않습니다.
