策略产品经理:模型训练常知的六种算法

0 评论 1161 浏览 4 收藏 8 分钟

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。

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)

  • 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:

  1. 将所有样本分成几个簇,即设定K值。
  2. 模型重新计算新簇质心,再次归类。
  3. 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。

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。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!