在您的方法中，您将构建一个模型，将输入特征（广告类型、客户描述符）映射到输出（购买量 = 0/1）。您可以使用逻辑回归等模型，或决策树（可以对广告类型和客户描述符之间的交互效果进行建模）。这似乎是合理的，并且是广告选择常用的方法之一。

基于客户相似性的其他一些选项：

• 基于近邻的方法：根据客户描述符，识别当前客户的相似邻居。计算所有相邻广告类型的转化概率，然后选择转化概率最高的广告类型。

• 基于集群的方法：根据客户描述符形成客户集群。将当前客户映射到其中一个集群中，然后选择能够使该集群的转化概率最大化的广告类型。

关于使用这样的模型设计广告选择系统，系统探索空间的新区域也很重要，因此一些小的随机预测将在这里有所帮助。

如果要预测输入变量的最佳类别，为什么不将输入变量本身作为输出呢？并说出事件是否正在发生的概率或布尔值作为输入。我猜有足够的训练数据，它可能预测正确。但这可能不是一个理想的解决方案，因为您已经将模型指定为事件发生的最佳类别，因此您的方法是更好的方法。

当您正在寻找给定另一个变量的条件分布时，会想到图形模型。