四种机器学习模型：Logistic 回归、支持向量机、决策树和随机森林

Logistic 模型：Logistic 模型是一种分类模型，用于预测离散的结果。该模型基于逻辑函数来估计概率，将输入变量与输出变量之间的关系建立在概率上。Logistic 模型通常用于二元分类问题，例如判断某个人是否患有某种疾病。

支持向量机 (SVM) 模型：SVM 模型是一种监督学习模型，用于分类和回归分析。该模型基于将数据映射到高维空间，然后在该空间中找到最优的超平面来区分不同的类别。SVM 模型在数据量较小的情况下表现良好，适用于非线性分类问题。

CART 决策树模型：CART 决策树模型是一种分类和回归分析的非参数模型。该模型通过将数据划分为不同的子集来建立决策树，每个节点表示一个变量，每个分支表示该变量的一个取值。CART 决策树模型适用于数据量较大的情况下，可以处理多变量问题。

随机森林模型：随机森林模型是一种集成学习模型，将多个决策树组合成一个模型。该模型通过随机选择数据和变量来建立多个决策树，然后将它们组合起来形成一个更强大的模型。随机森林模型适用于高维数据和大规模数据集，可以处理分类和回归问题。