决策模型类型有决策树、随机森林、Logistic回归、SVM、神经网络和深度学习等。 决策树是一种常用的分类和回归算法，它将每个预测问题转换为一系列的决策，每个决定可以按照某种方式划分输入变量的范围，可以用作监督学习，值得一提的是它可以清楚地说明决策过程，但它们的表示能力有限，易受噪声影响。 随机森林是一种数据挖掘和分类算法，它是基于决策树的技术，使用多个决策树来确定每个数据点的类别或值，随机森林可以处理分类和回归问题，具有很强的鲁棒性和抗噪声性能。 Logistic回归是一种监督学习技术，它可以用于分类问题，利用连续输入变量计算二元输出，其结果是一个概率值，它可以为数据中的每个观测结果预测概率。 支持向量机（SVM）是一种监督学习技术，其目标是在两个类别之间建立一个最大边界，将新的测试点分配到正确的类别中。 神经网络是一种模仿人类生物神经网络的算法，它可以帮助人们对无头面的大量数据进行分析，常用于建立系统的分类和预测，具有很强的鲁棒性和非线性表示能力，能够处理深度学习问题。 深度学习是一种人工神经网络技术，它借鉴了大脑的结构和功能，可以处理复杂的数据分析任务，包括识别和分类、语音识别等。 拓展知识： 此外，还有其他一些决策模型，例如Adaboost（Adaptive boosting）、K-means聚类，KNN（K Nearest Neighbors）等。 Adaboost是一种集成算法，它通过结合弱分类器来构建一个更强大的分类器，通过迭代调整数据权重来改善分类。 K-means聚类是一种无监督学习方法，它将数据集分为K个聚类，使得每个聚类内部的元素各自之间的距离较小，而不同聚类之间的距离较大。 KNN（K Nearest Neighbors）是一种监督学习技术，它的运行原理是：根据提供的附近的K个数据点，利用空间逼近的方式来判断新数据点所属的类别。