「変換メトリクスに取り組む場合は、ベータ・二項モデルを考慮してください」

Consider the beta-binomial model when working with conversion metrics.

CTR/CVRなどのコンバージョンベースのメトリックをより具体的で安定したものにするための特徴エンジニアリング技術を学ぶ

コンバージョンメトリックは業界で豊富に存在します。そして、私たちはしばしばそれらをMLモデルの特徴として使用したいと思います。たとえば、検索ページに表示された製品の印象からクリックまでの製品詳細クリック率（CTR）は、最終的には、電子商取引プラットフォームでの製品の購入有無をモデル化するための1つの特徴として使用することが関連しているかもしれません。

このブログでは、このようなコンバージョンメトリックに対する特徴エンジニアリング技術を学びます。この目的を達成するために、ブログの残りの部分は以下のように構成されます。

1. なぜコンバージョン特徴を注意深く扱う必要があるのかの説明（つまり、これらの特徴を生の形で使用すべきではない理由）
2. 解決策：ベータ二項モデルによる生のコンバージョン値をより安定した/具体的なバージョンに変換する方法
3. ベータ二項モデルの理論的基礎
4. モデルのベータ事前分布のパラメータを調整するためのガイド
5. ベータ二項変換を実行するためのPythonコード（ヒント：非常にシンプルです！）

さあ、始めましょう！

生のコンバージョン値を使用する際の欠点

電子商取引プラットフォームで製品の購入有無を予測するための分類モデルを構築しているとします。データの前処理の一環として、各製品に関連する2つの列を抽出します：印象の数とクリックの数です。私たちは強力なドメイン知識を持つ素晴らしいデータサイエンティストなので、「印象からクリックへのコンバージョン」という新しい特徴を導出します。

• 時系列データのためのPandas
• Pd.Get_Dummiesの良い面、悪い面、そして醜い面
• 「spacy-llmを使用したエレガントなプロンプトのバージョニングとLLMモデルの設定」

この特徴エンジニアリングの根拠は、より高い印象からクリックへのコンバージョンは、より良い製品品質を示すという考えです。その論理は、製品が表示された回数（印象）に対してクリックの割合が高い場合、ユーザーが製品に魅力を感じ、それが購入される可能性が高いことを示唆しています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!