谷歌分析允许我收集关于每个网络会话的数据。为简单起见，我们假设对于每个用户，我们收集每个会话的页面数和在站点上花费的时间：
user_id visit_id page_views time_spent result
1 1 10 100 0
1 2 31 510 0
1 3 1 10 1
您将如何对这些数据建模？我希望ML 算法做什么：
我能想到的：
目标： 建立一个预测模型来分析所有用户会话并预测该人是否会转换。
我了解在您的示例中，您对建模“结果”列的结果感兴趣。
我建议的一个简单模型是使用具有成功概率p的伯努利分布 ( https://en.wikipedia.org/wiki/Bernoulli_distribution ) 对其进行建模。
然后你可以用这样的东西对 p建模
x = a + b * log(page_views) + c * log(time_spent) + e
p = exp(x) / (1+exp(x))
其中e是正态分布的，e ~ N(0, sigma^2) （或简单地以零为中心）。
a、b 和 c 是您可以估计的参数。
即成功（转换）的概率被建模为取决于page_views 和time_spend 的某个变量的sigma 函数。您还可以在x的方程中添加 page_views 和 time_spend 的平方（和更高的幂） （即达到某个阈值 page_views 可以对转换产生积极影响，然后是消极影响，然后又是积极影响）。
还阅读有关逻辑回归的内容应该会让您走上正确的轨道：https ://en.wikipedia.org/wiki/Logistic_regression
我会将这些数据建模为输入数据的 3d 张量（用户、时间步长、特征）[组织取决于您使用的 DL 框架]。对于输出数据，还有一个合适的 3d 张量（用户、时间步长、结果）。
下一步将训练 LSTM 或 CNN 模型来预测结果（需要大量数据）（这将是我的首选）。如果您的数据较少，请按照其他答案的假设尝试逻辑回归。
祝你好运！