目录:
1.模型算法原理介绍
2.模型算法有哪些
3.模型 算法 区别
4.模型求解算法
5.数学模型 算法
6.模型与算法基础
7.算法模型训练流程
8.模型演算
9.什么叫算法模型
10.常用模型算法
1.模型算法原理介绍
策略产品经理需要了解一定的算法逻辑,以便推进工作。这篇文章里,作者介绍了六种常见算法,并探讨了产品设计模型算法的选择,一起来看。
2.模型算法有哪些
一、工业界常用算法作为与算法同学对接的策略产品经理,我们必须对算法同学常用的算法逻辑有所了解,以下我将介绍相关的底层算法逻辑,以及它们所适用的任务类型1. 逻辑回归(logistics regression,LR)。
3.模型 算法 区别
模型训练类别:监督学习算法。适用问题任务:分类。算法特色:复杂度低,可解释性强,线上效果好。函数公式:
4.模型求解算法
y表示模型预估值,取值范围[0,1],x表示输入模型的特征值,可以理解为*终使用的一系列特征对应的具体数值;T表示矩阵的转置,无实际数值意义;w表示模型为每一个特征训练出的对应参数以CTR预估模型为例,逻辑回归模型输出的预测值代表的业务意义是用户对物料的兴趣度。
5.数学模型 算法
另外,虽然线性回归(linear regression)与逻辑回归简称均为LR,但是线性解决回归问题,逻辑解决分类问题,逻辑回归模型包含线性回归模型,便是线性回归模型2. K近邻算法(K-nearest neighbor,KNN)。
6.模型与算法基础
模型训练类别:监督学习算法适用问题任务:分类、回归K的取值是关键因素,需要用交叉验证法(测试集+训练集)验证注:使用KNN算法的思想是每一位策略产品经理都需要了解的分类任务:1.计算待分类点(黑叉)与其他已知类别点的距离。
7.算法模型训练流程
2.按距离正排,占比*好的类别即为待分类点的类别,计算方法有①欧式距离、②曼哈顿距离。
8.模型演算
回归任务:整体思路与分类任务一致,预测点的值等于离预测点*近K个点的平均值总结:KNN算法没有模型训练缓解,而是直接应用,所以KNN算法在训练环节的时间复杂度为0,但是在应用环节,随着样本量陡增、复杂度的增加,在对于效率要求极高的场景下无法使用KNN算法。
9.什么叫算法模型
3. 贝叶斯模型(Bayes Model)模型训练类别:监督学习算法。适用问题任务:分类。模型方向:“逆概率”问题,用于邮件分类,天气预测。函数公式:
10.常用模型算法
4. K聚类算法(K-Means)模型训练类别:无监督学习算法适用问题任务:聚类K-Means没有模型训练环节,利用启发式迭代,K值的选择由业务场景确定,如无需求,可试数步骤:将所有样本分成几个簇,即设定K值。
模型重新计算新簇质心,再次归类不断重复、优化5. 决策树(decision tree)模型训练类别:监督学习算法适用问题任务:分类、回归核心思想:根据有区分性的变量查分数据集基本框架要素:1.根节点:包含所有原始样本数据,会被进一步分割成多个子集合。
2.决策节点和叶子节点:叶子节点“不再被分割”,但可以分,决策节点根据特征继续分割3.父节点与子节点:被分割成子节点的节点被称为子节点的父节点决策树种类: ①分类树 ②回归树决策树效果评估:选择哪些特征组合构建效果*好呢?。
分类树:基尼不纯度评估,不纯度越低,效果越好回归树:方差指标评估,方差越小模型拟合效果越好决策树关键参数:节点拆分包含的*小样本数:过大欠拟合,过小过拟合,需要交叉验证来调参叶子节点包含的*小样本数:防叶子节点太多,对于正负样本不均的情况可以分小。
决策树*大深度:交叉验证解决总体叶子节点数量控制整体分裂中使用*多的特征数:根据建模经验,开根号的特征数为*佳特征数6. 深度神经网络(deep neutral network)网上有很多资料介绍,可以自己找一下。
简单介绍,深度学习中的“深度”指的是其hidden layer,在输出层和输入层中,隐藏层越多深度越大深度学习与常规神经网络算法的区别主要体现在训练数据、训练方式、层数方面目前在产品策划领域,深度学习可以解决安防领域、零售行业的视觉识别问题,也有如ChatGPT等的自然语音识别、语言处理等应用,实体企业如智能驾驶中的地位正在提升,其*早被应用与搜光腿的算法模型中。
二、产品设计模型算法的选择对于同种业务场景可能使用多种算法,然而作为产品经理,我们需要重点考核模型的两大要点:模型预测的准确性和模型的可解释性对于金融风控等受到强监管的场景,我们更偏向于使用具有可解释性的模型,而对于搜广推等产品体验场景,我们更看重产品的使用效果,以下是各类算法的使用效益分布图:。
本文由 @产品研习中 原创发布于人人都是产品经理。未经作者许可,禁止转载题图来自Unsplash,基于CC0协议该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。