点击收入预测模型

Question

我正试图为eCommerce建立一个模型，以预测通过在线营销渠道(如谷歌购物)获得的一次性点击的收入。点击是针对产品详细信息页面，所以我的培训数据包括产品细节，如:价格，交货时间，类别，制造商。每一次历史性的点击都会增加收入。问题是，95%以上的点击收入等于零。

历史数据如下所示：

click_id | manufacturer | category | delivery_time | price | revenue

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，两个数据点可能(也是常见的)具有完全相同的特性和目标变量(收入)的非常不同的值。例如，前4个数据点具有相同的特性，只有第4个数据点有收入。理想情况下，我的模型将在测试示例中使用相同的特性来预测这4次点击的平均收入(即30次)。

在尝试应用模型之前，我的问题是关于数据表示的。我相信我有两个选择：

• 直接应用回归来单击数据(如上面所示)，并希望回归会做正确的事情。在这种情况下，回归误差最终会很大，因此很难判断模型的实际效果。
• 尝试将多个数据点(单击)分组到一个点，以避免某些零点--将所有具有相同功能的数据点分组，并将目标(收入)变量计算为和(收入)/COUNT(单击)。通过这种方法，我仍然有很多的收入零(产品只有几次点击)，有时会有数千次点击，只给你一个数据点--这似乎不对。

任何关于如何处理这个问题的建议都是非常欢迎的。

Answer 1

由于95%的数据收入为零，您可能需要对记录做些什么，例如抽样。按照目前的结构，你的模型可以100%的预测“否”，并且仍然是95%的准确。您需要对您希望在模型中出现的错误类型做出设计选择。你希望它“尽可能准确”吗?因为它漏掉了最少可能的记录，丢失了尽可能少的收入记录，或者避免错误地将记录归类为收入(如果你好奇的话，请阅读更多关于类型1&2错误的信息)。

你可以做出几个高层次的选择：

1)你可以对你的数据进行过度抽样。如果您有大量的记录，并且希望确保您捕获了创收功能，您可以复制这些记录，或者进行一些记录工程，以创建与创收记录非常相似的“假”记录。这将增加您的模型捕捉到驱动收入的因素的可能性，并且当您将这些特性应用于实际数据时，它将非常有可能对这些特性进行评估。

2)你可以用一个模型来预测概率，然后衡量你的概率。例如，您可以查看您的模型，并说任何大于25%的可能产生收入的情况实际上都是“积极的”情况。

3)您可以尝试首先对数据进行聚类，就像前面提到的那样，并尝试对“求和”值而不是单个记录运行分类算法。

( 4)是否有超过5%可能击中的部分？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，没有正确或错误的答案--这取决于你想要实现什么。

按您的响应编辑的回归可能会受到异常值的显著影响，所以我会稍微小心地尝试使用回归来预测美元的数量。很可能大部分变量都有很小的系数，而截距则反映了平均花费。你应该记住的另一件事是交互条件。例如，如果你是男性，你可能更有可能买东西，如果你在25-30岁的话，你更有可能买东西，但无论是男性还是25-30岁，都会有很大的影响。

我提出分类的原因是，你可以尝试做一个分类，看看谁可能购买，然后再应用美元金额。这种方法将阻止您在本质上对每个事务拥有相同的非常小的金额。