学习一种特征工程技术，使得CTR/CVR等基于转化的指标更具代表性和稳定性
转化指标在行业中非常丰富。通常情况下，我们希望将它们作为机器学习模型中的一个特征。比如，搜索页面上展示的产品的展示量与点击到产品详情的点击率（CTR）可能与该产品在电子商务平台上是否会被购买相关。
在本文中，我们将学习一种用于处理这类转化指标的特征工程技术。为了实现这一目标，本文的剩余部分将按照以下结构进行。
- 解释为什么我们需要谨慎处理转化特征（即不应该直接使用原始特征）。
- 解决方案：Beta-Binomial模型将原始转化值转化为更稳定/具代表性的版本
- Beta-Binomial模型的理论基础
- 调整模型的Beta先验分布参数的指南
- 用Python代码进行Beta-Binomial转换（提示：非常简单！）
让我们开始吧！
使用原始转化值的缺点
假设我们正在构建一个分类模型，用于预测在电子商务平台上是否会购买某个产品。作为数据预处理的一部分，我们提取了与每个产品相关的两列数据：展示量和点击量。由于我们是有着强大领域知识的出色数据科学家，我们派生出一个名为“展示到点击转化”的新特征。
这种特征工程背后的原理是，我们认为更高的展示到点击转化率表示产品质量更好。逻辑是，如果与产品展示次数（展示量）相比，产品接收到的点击量占比更高，这意味着用户发现该产品有吸引力，从而更有可能购买。