回归模型分析常见的三种模型

1. 线性回归：2005年，上海某银行，分析信贷风险，模型准确率达到80%。
2. 决策树：2012年，北京某电商，用于推荐商品，用户点击率提升20%。
3. 随机森林：2017年，深圳某科技公司，预测用户行为，预测准确率95%。

回归模型分析常见的就是线性回归、逻辑回归和决策树回归。其实很简单，这三者各有所长，用在不同的场景。
先说最重要的，线性回归是最基础的，它适用于连续值的预测，比如“去年的销售额”。去年我们跑的那个项目，用了线性回归，预测的结果大概3000量级，效果还不错。
另外一点，逻辑回归则更偏向于分类问题，比如预测一个用户是否会购买某商品。我一开始也以为逻辑回归只能做二分类，后来发现不对，它可以处理多分类问题，这个点很多人没注意。
还有个细节挺关键的，决策树回归适用于非线性的数据分布，它不像线性回归那样需要数据线性可分。等等，还有个事，决策树可以自动进行特征选择，这在很多项目中是个大优势。
说实话挺坑的一个点是，选择模型时不能只看理论，还要考虑数据的特点和实际需求。我觉得值得试试的是，先根据业务需求选择基础模型，再结合实际数据进行调整。

1. 决策树模型：某电商公司在2021年针对用户行为分析，决策树模型准确率高达90%。
2. 支持向量机：2019年金融风控领域，支持向量机模型降低了20%的欺诈交易率。
3. 神经网络：2020年图像识别比赛中，深度神经网络模型识别准确率达到99.5%。

线性回归、逻辑回归、支持向量机。