如果你想使用生存分析（可以更灵活和有见地），我会推荐这个包和这个很棒的教程。因此，您很快就会得到每个客户的“活着的概率”。

如果你想使用逻辑回归，我认为它更棘手。为什么我这么认为 - 就像任何其他流失问题一样，很难正确定义它。定义取决于您的任务以及模型结果的使用位置。假设流失是特定数量的不活动，例如 30 天。您可以对如何找到此号码进行初步分析。只需选择一个特定日期（您可以多次执行）并检查进行下一次交易的人的百分比。重要的是 - 所有用户的双方时间段应该相同：

• 如果是新用户，他不可能长时间不活动，对吧？
• 如果它是数据集中的最后一个日期（例如昨天） - 并非所有用户都无法在 1 天内执行交易。你会得到高流失率。所以要注意约会。

因此，您需要从您的数据中了解 - 对于普通用户而言，哪些不活动是“正常的”并将其定义为 N。之后，您可以将用户二进制标记为“如果不活动 > N 则“搅动 (1)”，否则“未搅动 ( 0)""。您可以将此标签与任何分类模型一起使用。