我正在尝试建立一个电子商务模型，该模型可以预测通过在线营销渠道（例如Google购物）带来的单次点击收入。点击是针对产品详细信息页面的，因此我的培训数据包括产品详细信息，例如：价格，交货时间，类别，制造商。每次历史点击也都为其带来了收入。问题在于，对于超过95％的点击，收入等于零。
历史数据如下所示：click_id | manufacturer | category | delivery_time | price | revenue1 |man1 | cat1 | 24 | 100 | 02 |man1 | cat1 | 24 | 100 | 03 |man1 | cat1 | 24 | 100 | 04 |man1 | cat1 | 24 | 100 | 1205 |man2 | cat2 | 48 | 200 | 0
如您所见，两个数据点可能具有（完全相同）特征，并且目标变量（收入）的值相差很大。例如，前4个数据点具有相同的功能，只有第4个数据点具有收入。理想情况下，我的模型将在具有相同功能的测试示例上预测这4次点击（即30次）的平均收入。
我的问题是在尝试应用模型之前，有关数据表示的问题。我相信我有两个选择：
直接将回归应用于点击数据（如上述情况），并希望回归将做对事情。在这种情况下，回归误差最终会很大，因此很难说出模型的实际效果。
尝试将多个数据点（点击）分组为一个点，以避免出现零-将所有具有相同特征的数据点分组，并计算目标（收入）变量为SUM（收入）/ COUNT（点击）。使用这种方法，我仍然有很多零收入（产品只有很少的点击），有时会有数千次点击只给您一个数据点-这似乎是不对的。
任何有关如何解决此问题的建议都非常欢迎。
最佳答案
由于您95％的数据的收入为零，因此您可能需要对记录做一些事情，例如抽样。按照目前的构造，您的模型可以100％地预测“否”，但仍具有95％的准确度。您需要对模型中想要的错误类型做出设计选择。您是否希望它“尽可能准确”，因为它错过了尽可能少的记录，错过了尽可能少的收入记录，或者避免了将记录实际上不正确地归类为收入（更多内容请参见类型1＆2错误（如果您好奇）
您可以选择几个高级选项：
1）您可能会过度采样数据。如果您有很多记录，并且想确定自己捕获了创收功能，则可以复制这些记录，也可以做一些记录工程以创建与产生收入的记录非常相似的“伪造”记录。这将增加您的模型追赶正在推动收入的可能性的可能性，并且在将其应用于实际数据时会过分重视这些功能
2）您可以使用模型预测概率，然后缩放概率。例如，您可能会看模型，并说任何有超过25％可能性产生收入的事情实际上都是“积极”情况
3）如上所述，您可以首先尝试对数据进行聚类，然后尝试对“求和”值而不是单个记录运行分类算法。
4）是否有某些细分命中率> 5％？也许在那些子集上建立模型。
这些都是模型设计的选择，没有正确/错误的答案-这仅取决于您要实现的目标。
根据您的回复进行编辑
回归值可能会受到异常值的显着影响，因此，仅尝试使用回归值来预测美元金额时，我会有些谨慎。您的大多数变量很可能具有较小的系数，并且截距将反映平均支出。您应该记住的另一件事是交互条件。例如，如果您是男性，则更有可能购买，如果年龄在25-30岁之间，则更有可能购买，但是男性和25-30岁的男性都有很大的影响。
我提出分类的原因是您可以尝试进行分类以查看谁有可能购买，然后再应用美元金额。这种方法将防止您为每笔交易都支付相同的非常小的金额。
关于machine-learning - 点击收入预测模型，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/37120693/