离散型题目常用的模型有以下几种：
1.通过递归地将数据集划分为不同的子集，从而构建出一棵完整的决策树。决策树模型可以用于分类和回归问题，具有易于理解和解释的优点。
2.支持向量机模型：支持向量机是一种二分类模型，它的基本思想是找到一个最优的超平面，使得两个类别之间的间隔最大。支持向量机模型可以用于非线性可分问题，具有较高的准确率和泛化能力。
3.它假设特征之间相互独立，并通过计算条件概率来进行分类。朴素贝叶斯模型简单、快速、易于实现，适用于大规模数据集。
4.它通过计算待分类样本与训练集中所有样本的距离，选取距离最近的K个邻居，然后根据这K个邻居的类别进行投票或加权平均来进行分类。K近邻模型简单、直观，适用于小规模数据集。
5.随机森林模型：随机森林是一种集成学习方法，它通过构建多个决策树并取其平均值来进行分类或回归。随机森林模型可以有效地处理高维数据和过拟合问题，具有较高的准确率和稳定性。