要知道哪种模型最适合问题，需要绘制哪些数据？

要知道哪种模型最适合问题，需要绘制的数据包括以下几个方面：

1. 数据规模：了解问题所涉及的数据的大小，包括数据量、数据类型、数据结构等。根据数据规模的大小，可以选择适合处理该规模数据的模型。
2. 数据特征：分析问题所涉及的数据的特征，例如数据的分布、相关性、噪声等。根据数据的特征，可以选择适合处理该特征的模型。
3. 目标：明确问题的目标，即需要从数据中获得哪些信息或达到什么样的结果。根据问题的目标，可以选择适合实现该目标的模型。
4. 算法需求：根据问题的要求，判断是否需要使用特定的算法或模型来解决。例如，对于分类问题，可以选择适合分类任务的模型；对于回归问题，可以选择适合回归任务的模型等。

综合考虑以上因素，可以选择适合问题的模型，例如：

1. 线性回归模型：适用于解决回归问题，通过拟合线性关系来预测输出值。适用于数据特征简单、目标明确的问题。腾讯云相关产品：云服务器、云数据库、云物联网平台等。
2. 决策树模型：适用于解决分类和回归问题，通过构建决策树来进行预测和决策。适用于数据特征有明显分界、可解释性要求高的问题。腾讯云相关产品：腾讯机器学习平台、腾讯云图像识别等。
3. 深度学习模型：适用于解决大规模、复杂的问题，通过多层神经网络进行学习和推理。适用于数据规模庞大、非线性关系复杂的问题。腾讯云相关产品：腾讯云深度学习平台、腾讯云人脸识别等。

以上只是部分示例，实际选择模型应根据具体问题和数据特征进行评估。