3.2.3 两种模型实验结果比较 本文中的贫困生认定是二分类问题，可以根据真实类别和学习器预测类别的组合划分为真正例TP、假正例FP、真反例TN和假反例FN。这4个值构成分类结果混淆矩阵。

    当决策树的深度为5时，正确率为73.53%，与平均正确率最接近，此时决策树模型测试集的分类结果混淆矩阵见表1。

    決策树模型认定贫困生的分类误差为0.2，认定非贫困生的分类误差为0.263。

    选取随机森林模型某次程序运行结果准确度为82.35%时，测试数据集的真实值和与测试值，计算分类结果混淆矩阵见表2。

    随机森林模型认定贫困生的分类误差为0，认定非贫困生的分类误差为0.26。可以看出，随机森林模型认定贫困生类别的准确度高于决策树，认定非贫困生类别与决策树相比略高一点。提示随机森林对贫困生类别的认定误差更低，更精确。

    3.2.4 两种模型调整参数进一步比较 决策树算法中，树的深度有可能会影响预测的准确度，因此程序中将树的深度从2变化到15，计算不同深度时 ......