department status age salary count sales senior 31...35 46K...50K 30 sales junior 26...30 26K...30K 40 sales junior 31...35 31K...35K 40 systems junior 21...35 46K...50K 20 systems junior 31...35 66K...70K 5 systems junior 26...30 46K...50K 3 systems senior 41...45 66K...70K 3 marketing senior 36...40 46K...50K 10 marketing junior 31...35 41K...45K 4 secretary senior 46...50 36K...40K 4 secretary junior 26...30 26K...30K 6 1、用python建立决策树模型并求召回率、准确率、错误率、精度

为了建立决策树模型，我们需要先准备好数据，并对数据进行预处理。以下是建立决策树模型的代码示例：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import recall_score, accuracy_score, precision_score, confusion_matrix

# 读入数据
df = pd.read_csv('data.csv')

# 特征选择
X = df.drop(['salary'], axis=1)
y = df['salary']

# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 预测结果
y_pred = clf.predict(X_test)

# 计算指标
recall = recall_score(y_test, y_pred, average='weighted')
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='weighted')
confusion = confusion_matrix(y_test, y_pred)

# 输出指标
print('Recall:', recall)
print('Accuracy:', accuracy)
print('Precision:', precision)
print('Confusion Matrix:', confusion)

在上述代码中，我们首先读入数据，然后进行特征选择和数据分割。接着，我们建立了一个决策树分类器，并对其进行训练。然后，我们用模型对测试集进行预测，并计算出召回率、准确率、错误率和精度等指标。最后，我们输出了这些指标。

请注意，这里的数据预处理和特征选择只是示例，实际应用中可能需要更为复杂的数据处理和特征选择方法。同时，还需要注意数据集的大小和质量，以及模型的参数选择等问题。