本文適用包括決策樹在內的多個ML算法模型。
1、二分類、多分類問題的precision、recall
（1）在信息檢索中，精確率通常用於評價結果的質量，而召回率用來評價結果的完整性。瞭解其概念，參考——
《準確率(Accuracy), 精確率(Precision), 召回率(Recall)和F1-Measure》
（2）在多分類問題應用這些概念，把每個類別單獨視爲"正"，所有其它類型視爲"負"。
2、混淆矩陣及其使用seaborn繪圖
（1）混淆矩陣和seaborn繪圖部分參考——
3、sklearn各種模型函數的使用（classification_report，confusion_matrix，acc_score，recall_score，precision_score，F1_score等等）
（1）算是非常詳細的講解二分類、多分類中sklearn各種模型函數的使用，參考博文——
（2）classification_report中有Macro avg、Micro avg三種平均法。
- Macro：反映了模型對數據集整體的表現，但是不能具體去分析某一類別的性能。
- Micro：當數據中類別不平均時（如果極度不平均，有一個類別只有1個，無論分類結果對或錯，用Macro的時候都將嚴重會影響最終的平均指標），可以作爲一個有效的指標反映模型性能。
如果讀不懂新版本sklearn中的classification_report，可以參考博文——
《讀懂 sklearn 的 classification_report》
（3）決策樹分類效果評價指標詳解，稍微講了下ROC、AUC曲線等
可以參考博文——
《決策樹分類效果評價指標詳解》