Baum stutzen mit geänderten Priorwahrscheinlichkeiten

Im Video hast du gelernt, dass das Stutzen eines Baums nötig ist, um Overfitting zu vermeiden. In den vorherigen Übungen gab es einige große Bäume, und jetzt setzt du das Gelernte um und stutzt den zuvor erstellten Baum mit den geänderten Priorwahrscheinlichkeiten. Das Paket rpart ist bereits in deinem Workspace geladen.

Zuerst setzt du einen Seed, damit die Ergebnisse reproduzierbar sind, wie im Video erwähnt, da du kreuzvalidierte Fehlerraten untersuchst. Die Ergebnisse enthalten Zufallselemente und können sich leicht unterscheiden, wenn du die Funktion mit einem anderen Seed erneut ausführst.

In dieser Übung lernst du, welchen Komplexitätsparameter (CP) die kreuzvalidierten Fehler minimiert, und stutzt anschließend deinen Baum anhand dieses Werts.

Diese Übung ist Teil des Kurses

<Kurs>Kreditrisikomodellierung in R</Kurs>

Kurs ansehen

Übungsanweisungen

tree_prior ist in deinem Workspace geladen.
Verwende plotcp(), um den kreuzvalidierten Fehler (X-val Relative Error) in Abhängigkeit vom Komplexitätsparameter für tree_prior zu visualisieren.
Verwende printcp(), um eine Tabelle mit Informationen über CP, Splits und Fehler auszugeben. Sieh nach, ob du den Split mit dem minimalen kreuzvalidierten Fehler in tree_prior identifizieren kannst.
Verwende which.min(), um zu ermitteln, welche Zeile in tree_prior$cptable den minimalen kreuzvalidierten Fehler "xerror" hat. Weise dies index zu.
Erzeuge tree_min, indem du in der Spalte "CP" den Index aus tree_prior$cptable auswählst.
Verwende die Funktion prune(), um den gestutzten Baum zu erhalten. Nenne den gestutzten Baum ptree_prior.
Das Paket rpart.plot ist in deinem Workspace geladen. Plotte den gestutzten Baum mit der Funktion prp() (Standardeinstellung).

Interaktive praktische Übung

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

# tree_prior is loaded in your workspace

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


# Use printcp() to identify for which complexity parameter the cross-validated error rate is minimized.


# Create an index for of the row with the minimum xerror
index <- which.min(___$___[ , "xerror"])

# Create tree_min
tree_min <- tree_prior$cptable[index, "CP"]

#  Prune the tree using tree_min
ptree_prior <- prune(___, cp = ___)

# Use prp() to plot the pruned tree

Code bearbeiten und ausführen