运筹学中所使用的模型是,运筹学模型应用的基本流程

Example of Linear Regression

线性回归的想法只是找到最适合数据的线。 线性回归的扩展包括多元线性回归（例如，找到最佳拟合的平面）和多项式回归（例如，找到最佳拟合的曲线）。 您可以在上一篇文章中了解有关线性回归的更多信息。

Image taken from Kaggle

决策树是一种流行的模型，用于运筹学，战略计划和机器学习。 上方的每个正方形称为一个节点，节点越多，（通常）决策树越准确。 做出决策的决策树的最后节点称为树的叶子。 决策树直观且易于构建，但在准确性方面却不足。

随机森林是一种基于决策树的整体学习技术。 随机森林涉及使用原始数据的自举数据集创建多个决策树，并在决策树的每个步骤中随机选择变量的子集。 然后，模型选择每个决策树的所有预测的模式。 这有什么意义？ 通过依靠"多数胜利"模型，它降低了单个树出错的风险。

例如，如果我们创建一个决策树，第三个决策树，它将预测0。但是，如果我们依靠所有4个决策树的模式，则预测值为1。这就是随机森林的力量。

StatQuest在完成这一工作方面做得非常出色。

Visual Representation of a Neural Network

神经网络是受人脑启发的多层模型。 像我们大脑中的神经元一样，上面的圆圈代表一个节点。 蓝色圆圈代表输入层，黑色圆圈代表隐藏层，绿色圆圈代表输出层。 隐藏层中的每个节点代表输入所经历的功能，最终导致绿色圆圈中的输出。

神经网络实际上非常复杂且非常数学，因此我不会对其进行详细介绍，但是…

Tony Yiu的文章对神经网络背后的过程进行了直观的解释。

如果您想更进一步并了解神经网络背后的数学原理，请在此处查看此免费在线书。

如果您是视觉/音频学习者，那么3Blue1Brown在提供了有关神经网络和深度学习的精彩系列。

在分类模型中，输出是离散的。 以下是一些最常见的分类模型类型。

Logistic回归与线性回归相似，但用于建模有限数量（通常为两个）结果的概率。 在对结果的概率建模时，使用逻辑回归而不是线性回归有很多原因。 本质上，以输出值只能在0到1之间的方式创建逻辑方程（请参见下文）。