策略產品經理需要了解一定的算法邏輯，以便推進工作。這篇文章里，作者介紹了六種常見算法，并探討了產品設計模型算法的選擇，一起來看。

一、工業界常用算法

作為與算法同學對接的策略產品經理，我們必須對算法同學常用的算法邏輯有所了解，以下我將介紹相關的底層算法邏輯，以及它們所適用的任務類型。

1. 邏輯回歸（logistics regression，LR）

• 模型訓練類別：監督學習算法。
• 適用問題任務：分類。
• 算法特色：復雜度低，可解釋性強，線上效果好。

函數公式：

y表示模型預估值，取值范圍[0,1]，x表示輸入模型的特征值，可以理解為最終使用的一系列特征對應的具體數值；T表示矩陣的轉置，無實際數值意義；w表示模型為每一個特征訓練出的對應參數。以CTR預估模型為例，邏輯回歸模型輸出的預測值代表的業務意義是用戶對物料的興趣度。

另外，雖然線性回歸（linear regression）與邏輯回歸簡稱均為LR，但是線性解決回歸問題，邏輯解決分類問題，邏輯回歸模型包含線性回歸模型，便是線性回歸模型。

2. K近鄰算法（K-nearest neighbor，KNN）

• 模型訓練類別：監督學習算法。
• 適用問題任務：分類、回歸。
• K的取值是關鍵因素，需要用交叉驗證法（測試集+訓練集）驗證。
• 注：使用KNN算法的思想是每一位策略產品經理都需要了解的。

分類任務：

1.計算待分類點（黑叉）與其他已知類別點的距離。

2.按距離正排，占比最好的類別即為待分類點的類別，計算方法有①歐式距離、②曼哈頓距離。

回歸任務：

整體思路與分類任務一致，預測點的值等于離預測點最近K個點的平均值。

總結：

KNN算法沒有模型訓練緩解，而是直接應用，所以KNN算法在訓練環節的時間復雜度為0，但是在應用環節，隨著樣本量陡增、復雜度的增加，在對于效率要求極高的場景下無法使用KNN算法。

3. 貝葉斯模型（Bayes Model）

• 模型訓練類別：監督學習算法。
• 適用問題任務：分類。
• 模型方向：“逆概率”問題，用于郵件分類，天氣預測。

函數公式：

4. K聚類算法（K-Means）

• 模型訓練類別：無監督學習算法。
• 適用問題任務：聚類。
• K-Means沒有模型訓練環節，利用啟發式迭代，K值的選擇由業務場景確定，如無需求，可試數。

步驟：

1. 將所有樣本分成幾個簇，即設定K值。
2. 模型重新計算新簇質心，再次歸類。
3. 不斷重復、優化。

5. 決策樹（decision tree）

• 模型訓練類別：監督學習算法。
• 適用問題任務：分類、回歸。
• 核心思想：根據有區分性的變量查分數據集。

基本框架要素：

1.根節點：包含所有原始樣本數據，會被進一步分割成多個子集合。

2.決策節點和葉子節點：葉子節點“不再被分割”，但可以分，決策節點根據特征繼續分割。

3.父節點與子節點：被分割成子節點的節點被稱為子節點的父節點。

決策樹種類： ①分類樹 ②回歸樹

決策樹效果評估：選擇哪些特征組合構建效果最好呢？

• 分類樹：基尼不純度評估，不純度越低，效果越好。
• 回歸樹：方差指標評估，方差越小模型擬合效果越好。

決策樹關鍵參數：

• 節點拆分包含的最小樣本數：過大欠擬合，過小過擬合，需要交叉驗證來調參。
• 葉子節點包含的最小樣本數：防葉子節點太多，對于正負樣本不均的情況可以分小。
• 決策樹最大深度：交叉驗證解決。
• 總體葉子節點數量控制。
• 整體分裂中使用最多的特征數：根據建模經驗，開根號的特征數為最佳特征數。

6. 深度神經網絡（deep neutral network）

網上有很多資料介紹，可以自己找一下。

簡單介紹，深度學習中的“深度”指的是其hidden layer，在輸出層和輸入層中，隱藏層越多深度越大。深度學習與常規神經網絡算法的區別主要體現在訓練數據、訓練方式、層數方面。

目前在產品策劃領域，深度學習可以解決安防領域、零售行業的視覺識別問題，也有如ChatGPT等的自然語音識別、語言處理等應用，實體企業如智能駕駛中的地位正在提升，其最早被應用與搜光腿的算法模型中。

二、產品設計模型算法的選擇

對于同種業務場景可能使用多種算法，然而作為產品經理，我們需要重點考核模型的兩大要點：模型預測的準確性和模型的可解釋性。

對于金融風控等受到強監管的場景，我們更偏向于使用具有可解釋性的模型，而對于搜廣推等產品體驗場景，我們更看重產品的使用效果，以下是各類算法的使用效益分布圖：