Podvzorkování trénovací sady
Ve videu jsi viděl/a, že problém nevyvážených dat lze řešit pomocí pod- nebo převzorkování. Trénovací sada už byla za tebe podvzorkována tak, aby 1/3 tvořily defaulty a 2/3 non-defaulty. Výsledná datová sada je dostupná v tvém pracovním prostředí pod názvem undersampled_training_set a obsahuje méně pozorování (6 570 místo 19 394). V tomto cvičení vytvoříš rozhodovací strom pomocí podvzorkované datové sady.
Všimneš si, že stromy v tomto i dalším cvičení jsou velmi velké – tak velké, že je prakticky nelze přečíst. Teď si s tím hlavu nelám, v příštím videu ti ukážeme, jak je zmenšit na přehlednou velikost!
Toto cvičení je součástí kurzu
Modelování kreditního rizika v R
Pokyny k cvičení
- Balíček rpart je za tebe nainstalovaný. Načti ho do svého pracovního prostředí.
- Uprav zadaný kód tak, aby byl rozhodovací strom sestrojen pomocí podvzorkované trénovací sady místo
training_set. Přidej také argumentcontrol = rpart.control(cp = 0.001).cp(parametr komplexity) určuje prahovou hodnotu pro snížení celkové míry chyby u každého rozdělení. Pokud podmínkacpnení splněna, další rozdělení se už neprovádějí. Výchozí hodnotacpje 0,01, ale u složitějších problémů se doporučuje tuto hodnotu uvolnit. - Vykresli rozhodovací strom pomocí funkce plot a názvu objektu stromu. Přidej druhý argument
uniform = TRUE, aby měly větve stejnou délku. - Předchozí příkaz vytvoří strom s uzly a hranami, ale bez jakéhokoli textu (tzv. „popisků"). Pomocí funkce
text()s jediným argumentemtree_undersamplepopisky přidej.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Load package rpart in your workspace.
# Change the code provided in the video such that a decision tree is constructed using the undersampled training set. Include rpart.control to relax the complexity parameter to 0.001.
tree_undersample <- rpart(loan_status ~ ., method = "class",
data = training_set)
# Plot the decision tree
# Add labels to the decision tree