如果您将其建模为没有适当转换的回归问题，您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被接听，而在夜间和清晨则更少。线性回归会有困难，因为这种关系可能是曲线的，而不是线性的。出于同样的原因，将其视为逻辑回归的分类任务也是有问题的。

正如其他受访者所建议的那样，将您的数据重新分类为时间段会有所帮助，我建议您首先尝试使用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个案例。如果您按一天中的时间（按城市或任何其他人口统计）绘制接听电话的比例，是否有明确的最佳时间？如果是这样，为什么要用模型使事情复杂化？

您可以尝试以下方法：

1. 把一天分成不同的部分——清晨、早上、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界限，例如中午可以是中午 12 点到下午 1 点。
3. 创建 3 个新标签 - “当天致电客户”，为每个正面案例（呼叫状态 = true）分配相应的标签（早上/中午/晚上）。这些标签将采用 one-hot 编码格式，例如 prefer_morning=0/1、prefer_noon、prefer_evening 等。
4. 构建 3 个模型来预测领导者是否更喜欢一天中的早上/中午/晚上时间来成功进行通话。

此外，我建议添加额外的特征，如职业、性别等，因为表中列出的特征（城市等）过于模糊，无法提供太多信息来区分客户。

根据评论中的建议进行编辑：

使用该模型时，每个潜在客户将被分类为 prefers_morning=yes/no、prefers_noon=yes/no 和 prefers_evening=yes/no。基于一天中的时间，例如早上，呼叫中心代理（或软件）可以接听并呼叫分类在早上偏好集中的线索。中午时，呼叫软件从中午首选列表中接听电话，依此类推。

我会使用逻辑回归-您将需要他们没有拾取的样本。然后我会将小时视为季节性虚拟回归量（23 小时作为虚拟变量，让一个流向截距）。

如果您不将其视为季节性虚拟回归量，您将不得不执行某种转换，因为这种关系不会是线性的。

之前有人建议将中午等替换为分类变量。这是一个坏主意，因为你有细节，你在那里失去了细节。这与利用最佳分箱使关系线性化具有类似的效果，但我仍然认为这行不通。尝试季节性虚拟回归器。