1. 线性回归模型（Linear Regression Model）：用于预测一个连续的数值输出，通过拟合数据点之间的线性关系。
2. 逻辑回归模型（Logistic Regression Model）：用于分类问题，预测二元输出变量的概率。
3. 决策树模型（Decision Tree Model）：通过树形结构进行决策，将输入数据分割成不同的类别。
4. 随机森林模型（Random Forest Model）：由多个决策树组成，通过集成多个决策树的结果来提高预测准确性。
5. 支持向量机模型（Support Vector Machine Model）：用于分类和回归问题，通过找到一个最优超平面来分割不同类别的数据点。
6. 聚类模型（Clustering Model）：用于将数据点分组成不同的簇，相似的数据点被分配到同一个簇中。
7. 主成分分析模型（Principal Component Analysis Model）：用于降低数据维度，保留最重要的特征。
8. 关联规则模型（Association Rule Model）：用于发现数据集中的关联关系和频繁项集。
9. 神经网络模型（Neural Network Model）：模拟人脑神经元之间的连接，用于解决复杂的模式识别和预测问题。

1、行为事件分析2、漏斗分析模型3、留存分析模型4、分布分析模型5、点击分析模型

只知道杜邦分析

杜邦分析模型、EVA分析

RFM、漏斗分析

预测响应模型

学习

冲冲冲

1、行为事件分析
2、漏斗分析
3、分布分析
4、分群分析
5、点击分析
6、属性分析