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理解，以下我将先容干系的底层算法逻辑，以及它们所适用的任务类型。
1. 逻辑回归（logistics regression，LR）模型演习种别：监督学习算法。适用问题任务：分类。算法特色：繁芜度低，可阐明性强，线上效果好。
函数公式：
y表示模型预估值，取值范围[0,1]，x表示输入模型的特色值，可以理解为终极利用的一系列特色对应的详细数值；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色演习出的对应参数。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。
其余，虽然线性回归（linear regression）与逻辑回归简称均为LR，但是线性办理回归问题，逻辑办理分类问题，逻辑回归模型包含线性回归模型，便是线性回归模型。
2. K隔壁算法（K-nearest neighbor，KNN）模型演习种别：监督学习算法。适用问题任务：分类、回归。K的取值是关键成分，须要用交叉验证法（测试集+演习集）验证。注：利用KNN算法的思想是每一位策略产品经理都须要理解的。
分类任务：
1.打算待分类点（黑叉）与其他已知种别点的间隔。
2.按间隔正排，占比最好的种别即为待分类点的种别，打算方法有①欧式间隔、②曼哈顿间隔。
回归任务：
整体思路与分类任务同等，预测点的值即是离预测点最近K个点的均匀值。
总结：
KNN算法没有模型演习缓解，而是直接应用，以是KNN算法在演习环节的韶光繁芜度为0，但是在运用环节，随着样本量陡增、繁芜度的增加，在对付效率哀求极高的场景下无法利用KNN算法。
3. 贝叶斯模型（Bayes Model）模型演习种别：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，景象预测。
函数公式：
4. K聚类算法（K-Means）模型演习种别：无监督学习算法。适用问题任务：聚类。K-Means没有模型演习环节，利用启示式迭代，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。模型重新打算新簇质心，再次归类。不断重复、优化。5. 决策树（decision tree）模型演习种别：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凑集。
2.决策节点和叶子节点：叶子节点“不再被分割”，但可以分，决策节点根据特色连续分割。
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：选择哪些特色组合构建效果最好呢？
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：
节点拆分包含的最小样本数：过大欠拟合，过小过拟合，须要交叉验证来调参。叶子节点包含的最小样本数：防叶子节点太多，对付正负样本不均的情形可以分小。决策树最大深度：交叉验证办理。总体叶子节点数量掌握。整体分裂中利用最多的特色数：根据建模履历，开根号的特色数为最佳特色数。6. 深度神经网络（deep neutral network）网上有很多资料先容，可以自己找一下。
大略先容，深度学习中的“深度”指的是其hidden layer，在输出层和输入层中，隐蔽层越多深度越大。深度学习与常规神经网络算法的差异紧张表示在演习数据、演习办法、层数方面。
目前在产品策划领域，深度学习可以办理安防领域、零售行业的视觉识别问题，也有如ChatGPT等的自然语音识别、措辞处理等运用，实体企业如智能驾驶中的地位正在提升，其最早被运用与搜光腿的算法模型中。
二、产品设计模型算法的选择
对付同种业务场景可能利用多种算法，然而作为产品经理，我们须要重点考察模型的两大要点：模型预测的准确性和模型的可阐明性。
对付金融风控等受到强监管的场景，我们更倾向于利用具有可阐明性的模型，而对付搜广推等产品体验场景，我们更看重产品的利用效果，以下是各种算法的利用效益分布图：
本文由 @产品研习中 原创发布于大家都是产品经理。未经作者容许，禁止转载
题图来自Unsplash，基于CC0协议
该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。
