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。
逻辑回归（logistics regression，LR）
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：
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，可以理解为最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。
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）
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。
2.按距离正排，占比最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。
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最近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。
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：
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，需要交叉验证来调参。
叶子节点包含的最小样本数：防叶子节点太多，对于正负样本不均的情况可以分小。
决策树最大深度：交叉验证解决。
总体叶子节点数量控制。
整体分裂中使用最多的特征数：根据建模经验，开根号的特征数为最佳特征数。
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，其最早被应用与搜光腿的算法模型中。
2.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：
