大数据分析采用的算法及模型具有以下特点：
1. 大规模性：大数据分析涉及处理大量数据，因此需要高效的算法和模型来处理这些数据。这些算法和模型通常具有高度并行性和可扩展性，可以在短时间内处理大量数据。
2. 高速性：大数据分析需要实时或近实时地处理数据，因此需要快速的算法和模型来满足这一要求。这些算法和模型通常具有较高的计算速度和效率，可以在较短的时间内完成数据处理任务。
3. 准确性：大数据分析需要对数据进行准确的分析和解释，因此在选择算法和模型时需要考虑其准确性。一些常用的算法和模型，如机器学习、深度学习等，可以通过训练数据学习到数据的规律和特征，从而提高数据分析的准确性。
4. 可解释性：大数据分析的结果通常需要被决策者理解和使用，因此需要具备良好的可解释性的算法和模型。一些常见的可解释性算法和模型，如决策树、随机森林等，可以将复杂的数据关系和模式简化为易于理解的形式，提高分析结果的可信度。
5. 多样性：大数据分析涉及到多种类型的数据，包括结构化数据、半结构化数据和非结构化数据。因此，需要采用多种算法和模型来处理不同类型的数据。一些常用的算法和模型，如分类算法、聚类算法等，可以根据数据的特点选择合适的模型进行处理。
6. 实时性：大数据分析需要实时或近实时地处理数据，因此需要具备实时性特点的算法和模型。一些常用的实时性算法和模型，如流处理算法、时间序列分析等，可以在数据流到来时立即进行分析和处理，满足实时性的要求。
7. 可适应性：大数据分析需要根据不同的应用场景和需求进行调整和优化。因此，需要具备可适应性的算法和模型，可以根据实际需求调整参数和结构，以适应不同的数据和场景。
8. 可扩展性：大数据分析需要处理大量的数据，因此需要具备可扩展性的算法和模型，以便在数据量增加时能够有效地扩展处理能力。一些常用的可扩展性算法和模型，如分布式计算框架等，可以有效地利用计算资源，提高数据处理的效率和效果。
总之，大数据分析采用的算法和模型具有大规模性、高速性、准确性、可解释性、多样性、实时性、可适应性和可扩展性等特点，这些特点使得大数据分析成为解决复杂问题的重要手段。
