Beschneiden des Baums mit der Verlustmatrix

In dieser Übung beschneidest du den Baum, der mit einer Verlustmatrix aufgebaut wurde, um falsch klassifizierte Defaults stärker zu bestrafen als falsch klassifizierte Nicht-Defaults.

Diese Übung ist Teil des Kurses

<Kurs>Kreditrisikomodellierung in R</Kurs>

Kurs ansehen

Übungsanweisungen

Führe den Code aus, um einen Seed zu setzen, und konstruiere tree_loss_matrix erneut.
Verwende die Funktion plotcp(), um die Struktur des kreuzvalidierten Fehlers zu untersuchen.
Beim Blick auf den cp-Plot wirst du feststellen, dass das Beschneiden des Baums mit dem minimalen kreuzvalidierten Fehler zu einem Baum führt, der so groß ist wie der unbeschnittene Baum, da der kreuzvalidierte Fehler sein Minimum bei cp = 0.001 erreicht. Weil du den Baum etwas kleiner machen möchtest, versuch, den Baum mit cp = 0.0012788 zu beschneiden. Für diesen Komplexitätsparameter nähert sich der kreuzvalidierte Fehler dem minimal beobachteten Fehler an. Nenne den beschnittenen Baum ptree_loss_matrix.
Das Paket rpart.plot ist in deinem Workspace geladen. Zeichne den beschnittenen Baum mit der Funktion prp() (einschließlich des Arguments extra = 1).

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix  <- rpart(loan_status ~ ., method = "class", data = training_set,
                           parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
                           control = rpart.control(cp = 0.001))

# Plot the cross-validated error rate as a function of the complexity parameter


# Prune the tree using cp = 0.0012788


# Use prp() and argument extra = 1 to plot the pruned tree

Code bearbeiten und ausführen