预测最佳通话时间

我有一个数据集，其中包括一组位于加利福尼亚不同城市的客户，呼叫每个客户的时间以及呼叫状态（如果客户接听电话则为True，如果客户未接听则为False）。

我必须找到合适的时间来拜访未来的客户，以便接听电话的可能性很高。那么，解决此问题的最佳策略是什么？我应该将小时数（0,1,2，... 23）归类为分类问题吗？还是应该将其视为时间是连续变量的回归任务？如何确保接听电话的可能性很高？

任何帮助，将不胜感激。如果您让我参考类似的问题，那也很好。

以下是数据的快照。

如果将其建模为没有适当转换的回归问题，则实际上可能会遇到问题。例如，我们知道大多数电话可能在白天接听，而在夜间和清晨则较少。线性回归将很困难，因为该关系可能是曲线的，而不是线性的。出于相同的原因，将其作为具有逻辑回归的分类任务也将是有问题的。

正如其他受访者建议的那样，将数据重新分类为时间段将有所帮助，我建议您首先尝试决策树或随机森林之类的方法。

综上所述，这可能是简单描述性统计的一种情况。如果您按一天中的时间（按城市或任何其他人口统计数据划分）来绘制已应答呼叫的比例，是否有明确的最佳时间？如果是这样，为什么要使模型复杂化？

您可以尝试以下方法：

1. 将一天分为多个部分-早上，早晨，中午，下午，晚上，傍晚，晚上等。
2. 为一天中的每个部分分配时间范围，例如中午可以是12 pm到1 pm。
3. 创建3个新标签-“一天中的一天致电客户”，为每个肯定的情况（通话状态为true）分配相应的标签（早上/中午/晚上）。这些标签将采用一键编码格式，例如preferred_morning = 0/1，preferred_noon，preferred_evening等。
4. 建立3个模型，以预测潜在客户是希望白天的上午/中午/还是晚上的时间才能成功进行通话。

另外，我建议添加其他功能，例如职业，性别等，因为表（城市等）中列出的功能过于模糊，并且不会提供太多信息来区分客户。

根据评论中的建议进行编辑：

使用模型时，每个销售线索将分类为：prefers_morning =是/否，prefers_noon =是/否和prefers_evening =是/否。基于一天中的时间（例如，早上），呼叫中心代理（或软件）可以接听并分类为早晨首选项集中的电话线索。中午时分，呼叫软件从中午首选列表中接听，依此类推。

我将使用逻辑回归-您将需要样本未提取的样本。然后，我将这一小时视为一个季节性的虚拟回归变量（将23小时作为虚拟变量，并让其流向截距）。

如果您不将其视为季节性虚拟回归变量，则将必须执行某种转换，因为这种关系不会是线性的。

以前有人建议用下午中午等代替类别变量。这是一个坏主意，因为您拥有细节，而您正在那里失去细节。这将与使用最佳合并使关系线性化有相似的效果，但是我仍然认为这不可行。尝试季节性假回归。