对测试结果进行详细分析，并编写测试报告，包括模型性能评估、错误分析及改进建议。
针对决策树回归模型
1、模型性能
均方误差（MSE） 8096170.758224316
平均绝对误差 (MAE) 2421.827880665033
决定系数（R²） -0.154145834
2、错误分析
1)模型适用性差：决定系数R²为负值，表明模型的预测效果比简单取均值还要差，模型几乎没有解释能力。均方误差（MSE）非常高，表明预测值与实际值之间的差异很大，模型的预测精度很差。平均绝对误差（MAE）非常高，表明预测值与实际值之间的平均误差很大，模型的预测精度很差。
2)特征工程：导致模型适用性差的原因之一是选择的特征不适合
3)数据质量和数量不足：没有采用高质量的数据进行模型的训练，数据不足所以模型对于没有遇到的数据预测差
3、改进建议
• 特征工程：重新审视并优化特征选择，确保所选特征对于预测步数具有较强的关联性。
• 模型优化：尝试调整决策树的超参数，如最大深度(max_depth)、最小样本分割数(min_samples_split)、最小叶节点样本数(min_samples_leaf)等，以找到合适的模型复杂度。
• 数据清洗：提供更多的高质量数据。对数据进行更深入的探索，识别并处理任何异常值或离群点，以提高模型的鲁棒性和泛化能力。