大数据模型建模方法主要包括以下几种：
1. 数据清洗：这是大数据建模的第一步，主要目的是去除数据中的噪声、缺失值、异常值等，为后续的数据分析做好准备。数据清洗的方法包括数据过滤、数据填补、数据转换等。
2. 数据探索：在数据清洗之后，需要进行数据探索，了解数据的分布、特征和关系。这可以通过可视化工具实现，也可以通过编写代码进行统计分析。
3. 模型选择：根据数据的特点和问题需求，选择合适的模型进行建模。例如，如果你需要解决分类问题，可以使用逻辑回归、支持向量机、决策树或随机森林等模型；如果你需要解决回归问题，可以使用线性回归、岭回归、梯度提升机等模型。
4. 参数优化：选择好模型后，需要对模型的参数进行优化，以提高模型的性能。优化方法包括网格搜索、随机搜索、贝叶斯优化等。
5. 模型评估：在模型训练完成后，需要进行模型评估，以确定模型的性能和准确性。常用的评估指标包括准确率、精确率、召回率、F1得分等。
6. 模型部署：最后，需要对模型进行部署，以便在实际场景中使用。这可能涉及到将模型集成到现有的数据处理和应用程序中。
在大数据建模过程中，通常还需要考虑一些特殊的问题，例如大数据的存储和管理、分布式计算框架的选择、模型的并行化等。这些问题的解决方案可能会根据具体的应用场景和需求而有所不同。
总的来说，大数据建模是一个迭代的过程，需要不断地进行数据探索、模型选择、参数优化和模型评估，以找到最适合解决特定问题的模型。同时，随着大数据技术的不断发展，新的建模方法和工具也在不断涌现，为大数据建模提供了更多的可能性。