1

常见的大数据模型：
1、线性回归模型：用于预测一个连续的因变量与一个或多个自变量之间的关系。
2、逻辑回归模型：用于预测一个二元因变量与一个或多个自变量之间的关系。
3、决策树模型：通过一系列的决策规则来预测一个离散或连续的因变量。
4、随机森林模型：由多个决策树组成的集成模型，用于预测一个离散或连续的因变量。
5、支持向量机模型：通过将数据映射到高维空间来构建一个超平面，用于分类或回归问题。
6、聚类模型：用于将数据分成不同的组或簇，以发现数据中的模式或结构。
7、关联规则模型：用于发现数据中的频繁项集和关联规则，以揭示数据中的关联关系。
8、神经网络模型：通过模拟人脑的神经元网络来进行模式识别和预测。9、时间序列模型：用于分析时间序列数据，预测未来趋势和周期性变化。
10、K-Means聚类模型：一种基于距离的聚类算法，根据距离将数据分成K个不同的簇。
11、Apriori模型：用于发现数据中的频繁项集和关联规则，以揭示数据中的关联关系。

常见的大数据分析模型包括：
1. 线性回归模型（Linear Regression）：用于建立变量之间线性关系的统计模型。
2. 逻辑回归模型（Logistic Regression）：用于处理分类问题，将输入特征映射到一个二元输出。
3. 决策树模型（Decision Tree）：通过树结构进行决策划分，可用于分类和回归问题。
4. 随机森林模型（Random Forest）：由多个决策树组成，通过集成学习方法提高预测准确性。
5. 支持向量机模型（Support Vector Machine）：用于分类和回归问题，通过寻找最佳超平面来分割不同类别。
6. 聚类算法（Clustering Algorithms）：包括K-means、层次聚类等，将数据样本划分为不同的群组或簇。
7. 主成分分析（Principal Component Analysis）：用于降维，将高维数据转换为低维表示，保留最重要的特征。
8. 关联规则挖掘（Association Rule Mining）：用于发现数据中的频繁项集和关联规则，例如购物篮分析。
9. 时间序列分析模型（Time Series Analysis）：用于对时间相关数据进行趋势预测和模式识别，如ARIMA模型。
10. 深度学习模型（Deep Learning Models）：包括神经网络、卷积神经网络 (CNN)、循环神经网络 (RNN) 等，用于处理复杂的大数据分析任务，如图像识别、自然语言处理等。

太多了，不知道

关联分析模型：用于发现数据集中项之间的关联关系，常用于购物篮分析和交叉销售分析。
预测模型：涉及使用历史数据进行模型训练，通过学习历史模式来预测未来事件的发生。常见的预测模型包括线性回归、决策树、随机森林等。
聚类分析模型：根据样本之间的相似性将数据划分为不同的群集或类别，常用于市场细分、客户分类等。
分类模型：用于将数据点分为不同的类别或类别预测，常用于风险评估、垃圾邮件过滤等。
时间序列模型：针对具有时间顺序的数据，通过分析和建模历史时间序列的模式来预测未来的趋势和模式。
文本挖掘模型：用于处理并分析大规模文本数据，提取其中的关键信息、主题、情感分析等。
神经网络模型：模仿人脑的神经网络结构和工作原理，常用于图像识别、自然语言处理等。
强化学习模型：通过代理在与环境的交互中学习最佳决策策略，适用于自动驾驶、游戏智能等领域。

学习

留存，画像

rfm分析

学习

符合实际的才是最好的