AI建模平台通常支持多种建模算法，这有助于满足不同场景下的需求。其中线性回归是最简单且常用的建模方法之一。它适用于基于连续变量预测结果的场景，通过拟合数据点与线性函数，找到最佳拟合直线。线性回归的优点在于模型简单易懂，但对数据的假设较为苛刻，仅适用于数据之间线性关系比较明显的情况。
决策树是另一种常见的建模算法，它能够通过一系列规则来对数据进行分类或回归。决策树简单直观，易于解释，适用于非线性关系的建模任务。而且决策树算法还可以很好地处理特征之间的交互作用，对于数据特征的缺失也能有一定的容忍度。
除了决策树，支持向量机(SVM)也是一种常用的建模算法。SVM能够通过在特征空间中寻找最大间隔超平面来进行分类或回归。相比于其他算法，SVM在处理高维数据和数据量较少的情况下表现得更为出色，且对于处理非线性问题有较强的能力。
另外，聚类算法也是AI建模平台中常见的算法之一。聚类算法通过对数据点进行分组，从而发现数据的内在结构和规律。其中，K-means聚类是应用最广泛的一种算法，它能将数据点划分为K个类别，使得同一类别内的数据点相似度较高，不同类别之间的相似度较低。
此外，深度学习算法在近年来得到了广泛的应用和发展，尤其在图像识别、语音识别等领域取得了重大突破。深度学习算法通过多层神经网络来学习复杂的数据特征表示，能够处理大规模数据、高维数据，并且在很多任务上达到了比传统算法更好的效果。
综上所述，AI建模平台通常支持多种建模算法，包括线性回归、决策树、支持向量机、聚类算法和深度学习算法等。不同的算法适用于不同的场景，用户可以根据具体任务需求和数据特点选择合适的算法进行建模。