Vytvoření pěkně ořezaného stromu

Pokud strom zastavíme příliš brzy, může přehlédnout některé vzory v datech nebo přijít o důležité trendy, které by odhalil až později.

Post-pruning ti umožňuje záměrně nechat strom vyrůst do velké a složité podoby a teprve poté ho zmenšit a zpřehlednit.

V tomto cvičení si sestavíš vizualizaci závislosti výkonu stromu na jeho komplexitě a na základě těchto informací strom ořežeš na odpovídající úroveň.

Balíček rpart je předem načtený spolu s loans_test a loans_train.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Použij všechny proměnné žadatele a bez předčasného ořezávání vytvoř zbytečně složitý strom. Nezapomeň nastavit cp = 0 v rpart.control(), aby nedocházelo k předčasnému ořezání.
Vytvoř graf komplexity pomocí plotcp() na modelu.
Na základě grafu komplexity ořež strom na hodnotu komplexity 0,0014 pomocí funkce prune() – předej jí strom a parametr komplexity.
Porovnej přesnost ořezaného stromu s původní přesností 58,3 %. Pro výpočet přesnosti použij funkce predict() a mean().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Grow an overly complex tree
loan_model <- ___

# Examine the complexity plot
plotcp(___)

# Prune the tree
loan_model_pruned <- ___(___, cp = ___)

# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)

Upravit a spustit kód