用Python编程实现对二种类型（类型1，类型2）的铁矿石实施检测，获得含多个属性特征的342个样本的检测数据集。 请使用两种方法建立模型判别样本的类型，依据划分数据集，并评估两种方法的性能

好的，这是一个分类问题，可以使用监督学习算法来解决。一般来说，分类算法有很多种，常用的有决策树、支持向量机、逻辑回归等等。我这里介绍两种常用的方法：决策树和支持向量机。

首先，我们需要将数据集分为训练集和测试集。训练集用于训练模型，测试集用于评估模型的性能。一般来说，可以将数据集按照70%的比例划分为训练集，30%的比例划分为测试集。

import pandas as pd
from sklearn.model_selection import train_test_split

# 读取数据集
data = pd.read_csv('data.csv')

# 分离自变量和因变量
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

接下来，我们可以使用决策树算法来建立模型。

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 建立决策树模型
clf = DecisionTreeClassifier(max_depth=3)
clf.fit(X_train, y_train)

# 在测试集上评估模型性能
y_pred = clf.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print("决策树算法的准确率为：", acc)

另外一种方法是使用支持向量机算法。

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 建立支持向量机模型
clf = SVC(kernel='rbf', C=1, gamma='auto')
clf.fit(X_train, y_train)

# 在测试集上评估模型性能
y_pred = clf.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print("支持向量机算法的准确率为：", acc)

以上就是两种建立模型的方法。对于模型性能的评估，我们可以使用准确率来衡量。在上面的代码中，我们使用了sklearn库中的accuracy_score函数来计算准确率。准确率越高，说明模型越好。