我正在构建一个模型，用于根据用户的阅读历史等活动来预测用户是否会购买订阅。我使用featuretools (https://www.featuretools.com/)来自动进行特征工程，这里变得有点棘手:

考虑到以下情况，我应该如何决定训练数据的截止时间/窗口:

• 训练窗口应该持续多久，一个月，六个月等？
• 鉴于用户在订阅前后的活动可能不同，我应该根据用户订阅的时间来截取当前订阅者的数据（防止数据泄露）。但对于非订阅者，我应该在什么时候截取数据呢？

feature_matrix, feature_defs = ft.dfs(entityset=es,                                     target_entity="users",                                     max_depth=2,                                     agg_primitives=["sum", "std", "max", "min", "mean", "median", "count", "percent_true", "num_unique", "mode",                                                      "avg_time_between"],                                     trans_primitives=["day", "year", "month", "weekday", "time_since_previous", "time_since", "is_weekend"],                                     cutoff_time=cutoff_times,                                     cutoff_time_in_index=True,                                     training_window=ft.Timedelta(180,"d"),                                     n_jobs=8, verbose=True)

回答：

你如何决定训练数据的截止时间将取决于以下因素:

训练窗口应该持续多久，一个月，六个月等？

我认为你可以尝试不同的训练窗口大小，看看哪个对模型的效果更好。

鉴于用户在订阅前后的活动可能不同，我应该根据用户订阅的时间来截取当前订阅者的数据（防止数据泄露）。但对于非订阅者，我应该在什么时候截取数据呢？

我认为你可以随机选择这些时间，或者选择那些代表未来你将在这些订阅者上使用模型的时间点。

我们的开源库Compose非常适合构建这个标签过程。如果你在Compose中定义你的预测问题，它会根据你如何定义预测问题来自动选择负面示例。它还具有参数化的预测窗口，让你可以在特定时间生成标签。请告诉我这是否有帮助。