建模平台支持的常用建模方法和算法包括线性回归、逻辑回归、决策树、随机森林和支持向量机等。线性回归是一种广泛应用于预测和建模的方法，适用于连续性因变量和自变量之间的线性关系。逻辑回归则常用于分类问题，可以预测二分类或多分类结果。决策树是一种树形结构的分类器，通过对数据集进行划分来建立决策规则。随机森林是一种集成学习方法，由多棵决策树组成，通过投票的方式来进行分类或回归。支持向量机是一种用于分类和回归分析的监督学习模型，可以处理线性和非线性数据。这些方法和算法在建模平台中为用户提供了丰富的选择，可以根据具体问题的需要选择合适的方法进行建模。
此外，建模平台还支持聚类分析、关联规则挖掘、主成分分析等方法。聚类分析是一种无监督学习方法，用于将数据集中的样本划分为不同的簇，相似的样本被划分到同一个簇中。关联规则挖掘是一种用于发现数据中项之间关联关系的方法，常用于市场篮分析等场景中。主成分分析是一种降维技术，可以将原始数据降维到更低维度的空间中，保留最重要的信息。这些方法在建模平台中提供了丰富的功能，用于处理不同类型的数据并进行深入的分析。
另外，建模平台还支持时间序列分析、神经网络、贝叶斯网络等方法。时间序列分析广泛应用于对时间序列数据进行模式识别和预测，可以发现数据中的趋势、季节性和周期性等特征。神经网络是一种模拟人脑神经元工作方式的计算模型，可以用于解决复杂的非线性问题。贝叶斯网络是一种概率图模型，用于描述变量之间的概率依赖关系。这些方法在建模平台中为用户提供了更多的选择，可以根据具体问题的需求选择合适的方法进行建模和分析。
在建模过程中，建模平台还提供特征工程、模型评估、模型调优等功能。特征工程是指对原始数据进行预处理和特征选择，以提取出最能表征数据特征的变量。模型评估包括常见的评估指标如准确率、精确率、召回率和F1值等，用于评估模型的性能。模型调优则是通过调整模型参数或选择合适的训练算法，提升模型的泛化能力和预测准确性。这些功能在建模平台中为用户提供了全方位的支持，帮助用户更好地构建和优化模型。