大数据分析是一个涉及多个阶段和技术的复杂过程，其中包括数据收集、数据清洗、数据预处理、数据探索性分析、特征选择、模型构建、模型评估等环节。以下是一些常用的大数据分析模型：

　　1.随机森林(Random Forest)：一种常用的集成学习方法，通过构建多个决策树进行分类和回归，具有较高的准确率和鲁棒性。

　　2.朴素贝叶斯分类器(Naive Bayes Classifier)：基于贝叶斯定理和特征条件独立假设，对离散型数据进行分类，速度快且易于实现。

　　3.支持向量机(Support Vector Machine)：一种常用的监督学习方法，通过构建最大间隔超平面进行分类或回归，具有较高的泛化能力。

　　4.神经网络(Neural Networks)：通过多层非线性转换，对非线性关系进行建模，适用于大规模数据分析和复杂问题的解决。

　　5.K均值聚类(K-means Clustering)：一种常用的无监督学习方法，通过计算数据点之间的距离，将数据点分为K个簇，用于数据的分组和分类。

　　6.主成分分析(Principal Component Analysis，PCA)：通过线性变换，将高维数据降维到低维空间，减少数据冗余信息，提高数据处理效率。

　　7.集成学习(Ensemble Learning)：将多个单一模型进行组合，通过投票、加权等方式对结果进行综合，提高模型准确率和鲁棒性。

　　8.梯度提升决策树(Gradient Boosting Decision Tree，GBDT)：通过集成多个决策树，通过梯度下降方式不断迭代，提高模型预测能力和准确性。

　　以上是一些比较实用的大数据分析模型，不同的场景和问题可能需要选择不同的模型和方法进行分析。