預測模型中的算法通?？梢苑譃閮深悾杭幢O(jiān)管式模型算法和非監(jiān)管式模型算法。在監(jiān)管式模型算法中，控制變量為目標變量，其輸出值是基于數(shù)據(jù)整體而實現(xiàn)的。而輸出的這一變量可作為任務發(fā)起問題的答案，在監(jiān)管式學習的模型邏輯下，這一輸出值在模型的運作過程中很可能是未知的。監(jiān)管式學習模型也被稱之為預測性模型。而在主流的預測性算法模型中，經(jīng)典的分類又包括絕對性的目標變量或者漸進式的目標變量。

需要進行目標決策的例子包括：顧客對于商品購買的決策、對商品購買數(shù)量的決策以及判斷一樁交易的真實性決策、是否需要進入電影院進行消費的決策、兩個捐獻人進行捐贈的間隔日期決策、貸款是否需要違約的決策或者判斷一件產(chǎn)品是否具有市場前景的預測。如果在一份記錄中目標變量沒有足夠多的具有相關(guān)性的數(shù)據(jù)進行支持，那么模型將無法成立。

無監(jiān)管式學習有時候也被稱之為描述性模型，這一過程無需目標變量。在建模過程中，數(shù)據(jù)經(jīng)分析后按照相關(guān)性被歸入不同的數(shù)組。其中每一個數(shù)組都會分配一個標簽對其進行描述。在諸如客戶分析這樣的應用案例中，無監(jiān)管式學習也通常被稱為割裂學習，因為模型在發(fā)揮功能的過程中對數(shù)據(jù)進行了不同維度的割裂和標簽分組。

進行監(jiān)管式學習的關(guān)鍵在于，模型的輸入值是已知的，但是應用變量的應用環(huán)境是未經(jīng)調(diào)查甚至是不可知的。在這些模型中常見的目標變量可能是一個事件、一項決策或者是先于觀測出現(xiàn)的一些行為。應答模型、交叉模型以及增銷模型均是采用這種原理進行工作的：即通過對輸入客戶類群的一些已知值，從而判斷他們有可能在將來購買某一種特殊產(chǎn)品的可能性。

一些有關(guān)于應用性算法的定義偏重于算法功能方面，例如對未來事件或是未來行為的預測。這一記錄的模式通常是一個案例，但是算法本身并不是一個案例。而目標變量實際上可以看作是一個未知值，例如一個缺失值。比如一個納稅人如果沒有提交前一年的收入，那么在這種情況下也可以利用預測模型基于其他已知的相關(guān)證據(jù)對稅務收入這一缺失值進行預測。