Baue dein eigenes Erkennungsmodell
Kombinieren wir die Werkzeuge aus diesem Kapitel. Der Kreditüberweisungs-Datensatz aus den vorherigen Übungen wurde in einen Trainings- und einen Testdatensatz mit derselben Klassenunwucht aufgeteilt. Anschließend wurde SMOTE auf den Trainingsdatensatz angewendet. Du baust ein Klassifikationsbaum-Modell sowohl auf dem ursprünglichen unausgewogenen Trainingsdatensatz als auch auf dem neu ausbalancierten Trainingsdatensatz. Abschließend werden beide Modelle auf demselben Testdatensatz verglichen.
Die Bibliotheken rpart und caret sind bereits in deinem Workspace geladen. Sieh dir gerne die Folien an, wenn du Unterstützung für diese Übung brauchst.
Diese Übung ist Teil des Kurses
Fraud Detection in R
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)