预测模型可分为哪几类? (预测模型可分为哪两类)

本文目录导航：

• 预测模型可分为哪几类?
• 摘录-能够预测用户满意度的一种方法——卡诺模型
• CTR预估模型

预测模型可分为哪几类?

预测模型可以分为以下三类。

1定性预测方法：此方法基于人们对系统过去和如今的阅历、判别和直觉。

它关键依赖人的逻辑判别，并提供系统开展的方向、形态和情势等定性结果。

这类方法实用于那些不足历史统计数据系统对象的预测。

2期间序列剖析：这种方法依据系统对象随期间变动的历史数据，只关注系统变量随期间的变动法令，从而对系统未来的体现期间和详细数值启动定量预测。

期间序列剖析包含移动平均法、指数平滑法和趋向外推法等。

这些方法实用于预测钻研对象随期间变动的趋向。

3因果相关预测：在这种方法中，系统变量之间存在来龙去脉的相关。

经过识别影响某种结果的要素，并建设因与果之间的数学模型，可以依据要素变量的变动预测结果变量的变动，既预测系统开展的方向，也确定详细的数值变动法令。

摘录-能够预测用户满意度的一种方法——卡诺模型

很多时刻，产品经理都会被滚滚而来的各种需求淹没。

究竟哪些用户是用户真正青睐的需求呢？哪些是一些伪需求，或许是负面的需求呢？这都须要产品经理对其启动琢磨与分辨。

近日，NVIDIA初级设计师 Brian O’Neill 在 Medium上宣布了一篇文章 引见了一个十分有用的剖析模型——卡诺模型（Kano Model）。

1984年，日本东京理工大学传授狩野纪昭(Noriaki Kano)提出了一种模型，可以预测人们对一款产品的满意水平。

从那以后，卡诺模型就逐渐成为一种规范的设计工具，由于它能有效地使人们对一个配置或许想法的好坏做出评判。

该模型的外围准则是，可以沿着五条一模一样的曲线绘制用户满意度。

正如必需的配置一样，用户的满意度也存在限度。

在某一点之前，这些配置不会有什么“收益”。

令人愉悦的配置是用户体验的关键组成局部，不应该被漠视。

但它们的保质期很长，局部要素是它们很容易被模拟。

将一切这些配置联合在一同，不只提供了一个明晰的图形示意，可以看出特色是如何被感知的，而且还可以协助你找出策略方向。

希冀的配置： 应该在这些配置上投入少量资源，由于它们是失掉用户和留下用户的关键，同时也是竞争长处。

必需的配置： 在基本的需求失掉满足之前，应该投入少量资源，失掉满足之后，就不用投入少量资源了。

令人愉悦的配置： 在这里投入资源是可以的，但不要以就义用户希冀和必需的配置为代价。

不过，值得留意的是，令人愉悦的配置往往是建设用户忠实度和口碑的关键。

有关紧要的配置和反配置： 把资源投入在识别这些配置上，免得糜费更多的资源。

想要确定哪个配置属于哪个类别，咱们须要问咱们的用户。

但请记住，用户理论不长于识别或表白他们真正想要和须要的配置。

因此，卡诺剖析须要经过成对提问来解释一个疑问：一个是直观的配置疑问，前面是一个配置阻碍疑问。

关于上方的疑问，用户必定选用以下答案之一： 我青睐这样 我希冀这样 我对此中立 我可以接受 我不青睐这样 你可认为你的待办事项列表中的每一个配置都预备一份完整的问卷。

而后，可以经过在上方这种表格绘制结果来剖析每个用户的答案。

剖析表会通知你用户对每个配置的感触，从而可以得出在卡诺模型中哪个配置属于哪个类别。

应该清楚的是，假设当一个配置存在的时刻，用户很青睐，当其不不存在的时刻，用户就不青睐了，那么这就是一个用户希冀的配置。

当答案显著相互矛盾时，就会产生疑问。

（这理论代表着用户对这些疑问不了解。

在你汇总了一切的结果之后，就可以计算出满意度和不满意度系数了。

满意度系数是一个介于0到1之间的数：越凑近1，就代表该配置对用户的满意度影响越大。

不满意度系数是一个介于0到-1之间的数：越凑近-1，就代表该配置对用户的不满意度影响越大。

咱们用上方这个两个公式计算系数： 比如说，最后的考查结果如下： 希冀:5% 必需:12% 令人愉悦:4% 有关紧要:23% 反配置:31% 相矛盾的答案:25% 这样就能得出以下论断： 满意度：（4+12）/（4+5+5+23）=0.2045 不满意度：（5+12）/（4+5+12+23）*（-1）=-0.3864 卡诺剖析不只老本低又易于口头，并为判别用户真正想要的产品配置提供了明晰的结果。

它还提供了硬数据，让每团体都脱离了成见或短视思想的圈套。

也没有必要大费口舌，与外部的利益相关方争执和探讨哪些配置是应该添加或扫除的。

数字不会说谎！

CTR预估模型

CTR：click-through-rate，找到用户的反应行为（例如点击、收藏、购置等）与各种特色（包含用户特色、广告特色等）之间的相关。

特色数据特点：原始数据理论包含的特色特意多，而且普通会用one-hot-coding的方法启动记载，然而这样导致的数据高维、稠密。

特色的编码：间接用one-hot会有疑问，就像上边提到的，高纬稠密不利于前面的解决，所以大局部的CTR预估模型都会对one-hot特色启动embedding。

紧缩编码的模式有：神经网络模型（nnlm, word2vec）、矩阵合成（MF）、因子合成机（FM）等。

CTR预估模型实质是个二分类的疑问，由于关键是去建模预测用户能否会点击某个广告。

图1展现了两条CTR预估模型推演的环节。

白色的展现了：从FM开局推演其在深度学习上的各种推行; 彩色的展现了：从embedding+MLP自身演化的环节并联合CTR预估自身的业务场景推动的环节。

LR模型普通是CTR预估疑问的基线模型，便捷、可解释性强，然而由于自身的局限，不能解决特色和指标之间的非线性相关，尤其是在特色选用上，重大依赖于工程师的阅历。

为了让线性模型能学习到原始特色和拟合指标之间的非线性相关，理论会对原始特色做非线性转换，例如：延续特色团圆化、特色交叉（即应用畛域常识，融入到模型中）等。

先将特色经过GBDT学习到每个叶子节点的编号做为新的特色，做为LR的输入。

要素：GBDT能学习到高阶非线性特色组合。

CTR: LR、GBDT、FM、FNN、PNN、wide & Deep、DeepFM、DCN（Deep cross network）、xDeepFMhttps:///Deep-and-Cross-Network/xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systemshttps:///p/ Deep Interest Evolution Network for Click-Throug(阿里的一篇文章，2019 AAAI)