Sestavení a vyhodnocení většího stromu

V předchozím cvičení jsi sestavil/a jednoduchý rozhodovací strom, který k předpovědi výsledku půjčky využíval kreditní skóre žadatele a požadovanou výši úvěru.

Lending Club má o žadatelích k dispozici i další informace – například status vlastnictví bydlení, délku zaměstnání, účel půjčky nebo historii bankrotů – které mohou pomoci zpřesnit předpovědi.

Využij všechna dostupná data o žadatelích a postav sofistikovanější model na náhodném trénovacím datasetu vytvořeném dříve. Potom tento model použij k předpovědím na testovacím datasetu a odhadni, jak dobře by fungoval při hodnocení budoucích žádostí o půjčku.

Balíček rpart je předem načtený a datasety loans_train a loans_test jsou připravené k použití.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Pomocí rpart() sestav model půjček na trénovacím datasetu se všemi dostupnými prediktory. Argument control opět nechej beze změny.
Aplikuj funkci predict() na testovací dataset a vytvoř vektor předpovězených výsledků. Nezapomeň na argument type.
Vytvoř table(), která porovná předpovězené hodnoty se skutečnými hodnotami proměnné outcome.
Pomocí funkce mean() vypočítej přesnost předpovědí.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Grow a tree using all of the available applicant data
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make predictions on the test dataset
loans_test$pred <- ___

# Examine the confusion matrix
table(___, ___)

# Compute the accuracy on the test dataset
mean(___)

Upravit a spustit kód