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) anhand der beantragten Kreditsumme und der Kreditwürdigkeit zum Zeitpunkt der Antragstellung zu lernen.

Anschließend siehst du, wie sich die Vorhersagen des Baums für eine Bewerberin oder einen Bewerber mit guter Bonität im Vergleich zu einer Person mit schlechter Bonität unterscheiden.

Die Datensätze loans, good_credit und bad_credit wurden 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. (Dazu lernst du später mehr!)
Verwende predict() mit dem resultierenden Kreditmodell, um den Ausgang für die Bewerberin bzw. den Bewerber good_credit vorherzusagen. Nutze das Argument type, um die "class" des Outcomes vorherzusagen.
Mach dasselbe für die Person 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