Crea tu propio modelo de detección
Vamos a combinar las herramientas que vimos en este capítulo. El conjunto de datos de transferencias de crédito de los ejercicios anteriores se dividió en un conjunto de entrenamiento y otro de prueba con el mismo desbalance de clases. Después, se aplicó SMOTE sobre el conjunto de entrenamiento. Construirás un modelo de árbol de clasificación tanto sobre el conjunto de entrenamiento original desbalanceado como sobre el conjunto reequilibrado. Por último, se compararán ambos modelos en el mismo conjunto de prueba.
Las librerías rpart y caret ya están cargadas en tu espacio de trabajo. No dudes en consultar las diapositivas para completar este ejercicio.
Este ejercicio forma parte del curso
Detección de fraude en R
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)