决策树模型的评价指标，python代码

决策树模型的评价指标主要用来衡量模型的性能和泛化能力，以下是一些常用的指标：

1. 准确率（Accuracy）: 最基本的性能度量，表示分类正确的样本数占总样本数的比例。
2. 精确率（Precision）: 对于某一类别，被模型预测为该类别的样本中，实际确实是该类别的比例。
3. 召回率（Recall）: 对于某一类别，实际属于该类别的样本中，被模型正确预测为该类别的比例。
4. F1分数（F1 Score）: 精确率和召回率的调和平均数，综合了两者的表现。
5. AUC-ROC曲线：ROC曲线下的面积（Area Under Curve），用于评估二分类模型的整体性能。
6. 均方误差（Mean Squared Error, MSE）: 回归问题中常用，计算预测值与真实值之差的平方的平均。
7. R²得分：也称为决定系数，回归问题中衡量模型拟合优度的一个统计量。

在Python中，`sklearn`库提供了计算这些指标的函数。例如，使用`classification_report`函数计算分类报告，包括精确率、召回率和F1分数：

from sklearn.metrics import classification_report

# 假设y_true是真实标签，y_pred是预测标签
report = classification_report(y_true, y_pred)
print(report)

对于回归任务，可以使用`mean_squared_error`或`r2_score`：

from sklearn.metrics import mean_squared_error, r2_score

# 假设y_true是真实值，y_pred是预测值
mse = mean_squared_error(y_true, y_pred)
r2 = r2_score(y_true, y_pred)

print("Mean Squared Error:", mse)
print("R² Score:", r2)