我正在一个机器学习项目中尝试预测哪些客户将购买特定产品（购买产品是我的目标变量）。我有很多关于客户的功能和足够的历史数据。
我的问题是我的目标变量是高度季节性的-大多数产品在12月出售，其他月份的销售很少。
为了弥补这种不平衡，我该怎么办？目标变量是否需要调整？我需要模型在所有月份中都具有一致的性能。谢谢
最佳答案
最简单的选择是以某种方式将月份作为功能包括在内。一些这样做的选择：
一个热编码月份。优点：非常简单，导致功能集稀疏
创建一个朴素贝叶斯类型特征，对给定月份的先验销售概率进行编码。例如如果60％的销售额是在12月，而其他两个月的销售额分别是3.6％，则此功能在12月的每笔销售额的价值为0.6，在其他月份的销售额为0.036
对于这两种方法，您都希望确保自己拥有完整的12个月的训练数据，并且还拥有完整的12个月的评估集。
关于machine-learning - 机器学习项目-我的目标变量没有及时分布，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59667381/