决策树是非距离类算法

正确答案是A: 决策树。

### 专业分析：

1. **决策树（Decision Tree）**：
- 决策树模型通过递归地分裂数据集来构建树结构。每次分裂依据的是特征的某个阈值。这个过程不依赖于特征的尺度或分布，因此决策树对数据是否标准化不敏感。

2. **KNN（K-近邻算法）**：
- KNN算法在预测时计算样本之间的距离（通常是欧氏距离）。如果特征的尺度不同，距离计算可能会被特征值较大的变量主导。因此，KNN对数据是否标准化非常敏感。

3. **K-Means（K均值聚类）**：
- K-Means算法通过计算样本与聚类中心的距离来分配样本到不同的簇。与KNN类似，如果特征的尺度不同，距离计算会受到影响。因此，K-Means对数据是否标准化也非常敏感。

4. **SVM（支持向量机）**：
- SVM通过在高维空间中寻找一个最优的超平面来分类样本。特征的尺度会影响到超平面的构建和支持向量的选择。因此，SVM对数据是否标准化也很敏感。

综上所述，决策树模型对变量是否标准化不敏感，而KNN、K-Means和SVM模型则对数据的标准化有较高的敏感度。