Einen einfachen Entscheidungsbaum erstellen

Der Datensatz loans enthält 11.312 zufällig ausgewählte Personen, die bei Lending Club, einem US-basierten Peer-to-Peer-Kreditunternehmen, einen Kredit beantragt und später erhalten haben.

Du verwendest einen Entscheidungsbaum, um Muster im Ausgang dieser Kredite (entweder zurückgezahlt oder ausgefallen) auf Basis der beantragten Kreditsumme und der Bonität zum Zeitpunkt der Antragstellung zu lernen.

Anschließend schaust du dir an, wie sich die Vorhersagen des Baums für eine Antragstellerin bzw. einen Antragsteller mit guter Bonität im Vergleich zu schlechter Bonität unterscheiden.

Der Datensatz loans wurde für dich geladen.

Diese Übung ist Teil des Kurses

Überwachtes Lernen in R: Klassifikation

Kurs anzeigen

Anleitung zur Übung

Lade das Paket rpart.
Fitte ein Entscheidungsbaum-Modell mit der Funktion rpart().
- Übergebe als erstes Argument die R-Formel, die outcome als Funktion von loan_amount und credit_score angibt.
- Lass das Argument control vorerst unverändert. (Mehr dazu später!)
Verwende predict() mit dem resultierenden Kreditmodell, um das Ergebnis für die Bewerberin bzw. den Bewerber good_credit vorherzusagen. Nutze das Argument type, um die "class" des Outcomes vorherzusagen.
Mach dasselbe für bad_credit.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Load the rpart package


# Build a lending model predicting loan outcome versus loan amount and credit score
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make a prediction for someone with good credit
predict(___, ___, type = "___")

# Make a prediction for someone with bad credit

Code bearbeiten und ausführen