데이터 설계 및 학습 과정에서 직면했던 문제와 그 해결 방안을 말씀해 주세요.

머신러닝 수업 프로젝트에서 불균형 데이터 문제를 경험했습니다. 분류 모델을 학습시켰는데 다수 클래스만 예측하는 패턴이 반복됐습니다. 처음에는 모델 구조를 바꾸려 했는데, 근본 원인은 학습 데이터의 클래스 비율이 심각하게 불균형한 것이었습니다. 오버샘플링(SMOTE)과 클래스 가중치 조정을 각각 적용해 비교했고, 해당 데이터셋에서는 가중치 조정 방식이 더 안정적인 결과를 냈습니다. 이 경험에서 모델을 수정하기 전에 데이터 구조를 먼저 점검하는 순서가 중요하다는 원칙을 갖게 됐습니다.

데이터 구조를 먼저 점검하는 습관이 모델 튜닝보다 더 효과적인 경우가 많다는 걸 배웠고, ML 프로젝트에서 그 순서를 지키겠습니다. 데이터 품질이 모델 성능의 출발점이라는 걸 이 경험에서 확인했고, ML 프로젝트에서 항상 데이터부터 점검하는 습관을 유지하겠습니다.