抖音号交易出售资讯设计AI-UTAUT模型时所研究过的算法模型

设计AI-UTAUT模型时所研究过的算法模型

算法模型在《AI产品经理从懂精准推荐模型到产品创新》上篇中按AI机器学习风格进行过分类，者下篇中我们将按功能相似性讲解算法模型，这里所讲解的模型算法是我在创造AI-UTAUT模型过程中多数检验过的。所以在讲解算法模型的时候会总结哪些算法模型用在哪个场景比较多，哪些算法模型是AI产品经理经常会遇到的。

由功能的相似性分组的算法模型如下：

机器学习算法通常根据其功能的相似性进行分组。例如，基于树的方法以及神经网络的方法。但是，仍有算法可以轻松适应多个类别。如学习矢量量化，这是一个神经网络方法和基于实例的方法。

在读者阅读本段文字的时候如果有些属于不太熟悉，或者有些模型算法听到的比较少请不用担心，一方面可能是这类算法模型以后也很好用，如果需要用到的话，到时候再针对性的学习这类算法模型也不迟。另外一方面我会尽量指明这些算法应用的场景。

1. 回归算法

回归算法涉及对变量之间的关系进行建模，我们在使用模型进行的预测中产生的错误度量来改进。这些方法是数据统计的主力，所以回归算法又称为回归分析。此外，它们也已被选入统计机器学习。

常用的的回归算法是：

• 普通最小二乘回归（OLSR）；
• 线性回归；
• Logistic回归；
• 逐步回归；
• 多元自适应回归样条（MARS）；
• 局部估计的散点图平滑（LOESS）；

用途场景：预测未来，预测销量等等。

例子：如下图：当一天中早高峰或者晚高峰的时候实际上是商场里面的品牌商销量减少的时候，这一点可以通过我的AI-UTAUT模型数据实证。