Machine learning 点击收入预测模型

我正在尝试建立一个电子商务模型，预测通过在线营销渠道（如谷歌购物）点击的收入。点击的目标是产品详细信息页面，因此我的培训数据包括产品详细信息，如：价格、交付时间、类别、制造商。每一次历史点击都会带来收入。问题是，超过95%的点击量的收入等于零

历史数据如下所示：

点击|标识|制造商|类别|交货|时间|价格|收入

1 | man1 | cat1 | 24 | 100 | 0

2 | man1 | cat1 | 24 | 100 | 0

3 | man1 | cat1 | 24 | 100 | 0

4 | man1 | cat1 | 24 | 100 | 120

5 | man2 | cat2 | 48 | 200 | 0

正如您所看到的，两个数据点有可能（也很常见）具有完全相同的特性和非常不同的目标变量（收入）值。e、 g前4个数据点具有相同的功能，只有第4个有收入。理想情况下，我的模型将在具有相同特性的测试示例上预测这4次点击的平均收入（即30次）

在我尝试应用模型之前，我的问题是关于数据表示的。我相信我有两个选择：

• 直接应用回归来点击数据（如上面的例子），并希望回归会做正确的事情。在这种情况下，最终回归误差将相当大，因此很难判断模型实际有多好
• 尝试将多个数据点（单击）分组到一个点，以避免出现一些零-将具有相同功能的所有数据点分组，并将目标（收入）变量计算为总和（收入）/计数（单击）。使用这种方法，我的收入仍然有很多零（只有很少点击的产品），有时会有数千次点击，只给你一个数据点——这似乎是不对的

---

任何关于如何处理这个问题的建议都是非常受欢迎的

由于95%的数据收入为零，您可能需要对记录进行一些处理，例如采样。按照目前构建的模型，您的模型可以100%预测“否”，但仍然有95%的准确性。您需要对模型中希望出现的错误类型进行设计选择。您是否希望它“尽可能准确”，因为它遗漏了尽可能少的记录，遗漏了尽可能少的收入记录，或者避免将记录错误地分类为收入（如果实际不是这样的话）（如果您好奇，请阅读有关类型1和2错误的更多信息）

您可以做出以下几个高层次的选择：

1） 您可能会对数据进行过度采样。如果您有很多记录，并且希望确保捕获创收功能，您可以复制这些记录，或者进行一些记录工程，以创建与创收功能非常相似的“假”记录。这将增加您的模型抓住收入驱动因素的可能性，并使您在将其应用于实际数据时极有可能对这些功能进行估价

2） 你可以使用一个模型来预测概率，然后调整你的概率。例如，您可以查看您的模型，并说任何有超过25%的可能性产生收入的情况实际上都是“积极”的

3） 如前所述，您可以尝试先对数据进行聚类，然后尝试对“求和”值而不是单个记录运行分类算法

4） 是否存在一些命中概率大于5%的分段？也许可以在这些子集上建立一个模型

这些都是模型设计的选择，没有正确/错误的答案——这取决于你试图完成什么

根据您的回复进行编辑 回归可能会受到异常值的显著影响，所以我会稍微小心一点，尝试使用回归来预测美元金额。你的大部分变量很可能都有小的系数，截距会反映平均花费。你应该记住的另一件事是交互术语。例如，如果你是男性，你更有可能购买，如果你年龄在25-30岁，你也更有可能购买，但同时是男性和25-30岁会产生巨大的影响

---

我提出分类的原因是，你可以尝试做一个分类，看看谁有可能购买，然后再应用美元金额。这种方法将防止您在每笔交易中获得基本相同的非常小的金额

由于95%的数据收入为零，您可能需要对记录进行一些处理，例如采样。按照目前构建的模型，您的模型可以100%预测“否”，但仍然有95%的准确性。您需要对模型中希望出现的错误类型进行设计选择。您是否希望它“尽可能准确”，因为它遗漏了尽可能少的记录，遗漏了尽可能少的收入记录，或者避免将记录错误地分类为收入（如果实际不是这样的话）（如果您好奇，请阅读有关类型1和2错误的更多信息）

您可以做出以下几个高层次的选择：

1） 您可能会对数据进行过度采样。如果您有很多记录，并且希望确保捕获创收功能，您可以复制这些记录，或者进行一些记录工程，以创建与创收功能非常相似的“假”记录。这将增加您的模型抓住收入驱动因素的可能性，并使您在将其应用于实际数据时极有可能对这些功能进行估价

2） 你可以用一个模型来预测概率